答案已發布21 個來源
SparkDiffusion 如何加速 Wan 影片生成？
SparkDiffusion 結合稀疏注意力、少步蒸餾與 FP8 融合核心；在單張 RTX 5090 上生成一段 81 幀、720p 的 Wan 2.1 影片，耗時由 4,769 秒降至 18 秒，約快 265 倍。這是特定測試結果，不是通用保證。[6][8] 「高稀疏陷阱」指模型逐步訓練的損失持續下降，最終影片品質卻停滯甚至變差；SparkDiffusion 以分階段訓練與蒸餾來處理這種落差。[8][18] 目前釋出的 SparkWan 權重涵蓋部分 Wan 2.1、Wan 2.2 設定，各模型支援的稀疏率不一，不能假設每個版本都能達到 97%。[9][10][11][12]
發布者使用 GPT-6 Luna 編輯圖片由 GPT Image 2 生成
研究答案
重點整理
- SparkDiffusion 結合稀疏注意力、少步蒸餾與 FP8 融合核心；在單張 RTX 5090 上生成一段 81 幀、720p 的 Wan 2.1 影片，耗時由 4,769 秒降至 18 秒，約快 265 倍。這是特定測試結果，不是通用保證。[6][8]
- 「高稀疏陷阱」指模型逐步訓練的損失持續下降，最終影片品質卻停滯甚至變差；SparkDiffusion 以分階段訓練與蒸餾來處理這種落差。[8][18]
- 目前釋出的 SparkWan 權重涵蓋部分 Wan 2.1、Wan 2.2 設定，各模型支援的稀疏率不一，不能假設每個版本都能達到 97%。[9][10][11][12]
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: How does the open-source SparkDiffusion framework from Peking University, Tsinghua University and Alibaba accelerate Wan 2.1 and Wan 2.2 vid. Article summary: SparkDiffusion speeds up Wan video generation by combining three changes: it computes far less attention, distils generation into a few steps, and runs the resulting model with FP8 fused kernels. The researchers report u. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
研究團隊提出的 SparkDiffusion，目標是縮短阿里巴巴 Wan 影片生成模型的等待時間。它不是只靠單一技巧提速，而是把注意力計算、生成步數與每一步的執行效率一起最佳化：採用稀疏注意力、透過蒸餾減少生成步數，再以 FP8 融合核心加快運算。6
8
團隊在特定 Wan 2.1 基準測試中報告最高約 265 倍加速。不過，這個數字取決於模型、影片規格與硬體，不能直接視為所有生成任務都能達到的速度提升。6
8
什麼是「高稀疏陷阱」？
影片擴散模型需要處理長串影格與時空資訊，注意力運算因此可能十分耗費計算資源。稀疏注意力會減少模型需要計算的互動，進而降低負擔；但稀疏程度拉得太高，也可能帶來新的問題。
研究者所說的「高稀疏陷阱」，是指模型訓練時逐步計算的損失看似持續改善，最後生成的影片品質卻停滯，甚至變差。換言之，訓練過程中的指標進步，不一定代表成品也更好。18
SparkDiffusion 提出的做法分階段進行：先用短時間的稀疏暖身，讓模型建立粗略的生成先驗，再透過蒸餾校正生成軌跡與最終輸出，避免只依賴逐步訓練訊號。8
三種加速技術如何搭配？
SparkDiffusion 將不同最佳化方式用在生成流程的不同部分，讓省下的運算逐層累積，而非單靠注意力稀疏化取得全部加速效果。8
- **RoLA 減少注意力運算：**這套學習式稀疏注意力方法，讓模型只保留較少的注意力互動。專案報告指出，部分設定可達 97% 注意力稀疏率。
2
8
11
- **CrossDistill 減少生成步數：**這種混合生成軌跡的蒸餾方法，將模型轉成少步數生成器。專案描述的設定包含三步、無分類器自由引導（CFG-free）推論；CFG 是一種用來引導生成結果的方式。
- **FP8 融合核心加快每一步：**透過較低精度運算與融合核心，降低剩餘推論工作的執行成本。
簡單來說，稀疏注意力減少每一步要算的內容，蒸餾減少總步數，FP8 融合核心則讓剩下的運算跑得更快。整體速度來自三者疊加，不能只歸功於 97% 稀疏率。8
265 倍加速是怎麼測出的？
在一項 Wan 2.1 T2V 14B 測試中，生成一段 81 幀、720p 的影片，單張 RTX 5090 的耗時從 4,769 秒降至 18 秒，約快 265 倍。另一項 H100 測試則從 1,757 秒降至 8 秒，約快 220 倍。6
團隊也報告 Wan 2.1 1.3B、480p 設定約有 140 倍加速。不同測試的模型規模與解析度並不相同，因此閱讀速度數字時，也要一併看清楚所用的模型、影片規格和硬體。5
7
速度之外，影片品質如何？
專案表示，SparkDiffusion 在高稀疏率下仍能維持良好的視覺品質；但單看加速數字，無法證明不同提示詞、解析度或模型版本的生成品質都與未稀疏化的 Wan 相同。8
高稀疏陷阱本身也說明，逐步訓練指標變好，不必然代表最終影片更好。現有資料不足以推論所有生成結果都能維持一致品質，應將品質與速度主張視為適用於團隊實際評測的設定。8
18
已釋出哪些模型？
目前列出的權重包括 Wan 2.1 T2V 14B 的 480p、720p 版本，以及 Wan 2.2 T2V A14B 的 480p 版本。各版本支援的稀疏率不同：例如，Wan 2.1 480p 權重支援 90%；列出的 720p 版本則涵蓋最高 95% 或 97%；Wan 2.2 480p 版本涵蓋 90% 至 95%。因此，97% 並非每個已釋出權重都支援的設定。9
10
11
12
SparkDiffusion 將自身定位為可延伸至其他視覺生成模型的框架；不過，現有來源沒有證實未來模型或硬體的具體推出時程，也沒有提供相關延伸結果的確切承諾。8
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「SparkDiffusion 如何加速 Wan 影片生成？」的簡短答案是什麼？
SparkDiffusion 結合稀疏注意力、少步蒸餾與 FP8 融合核心；在單張 RTX 5090 上生成一段 81 幀、720p 的 Wan 2.1 影片，耗時由 4,769 秒降至 18 秒，約快 265 倍。這是特定測試結果，不是通用保證。[6][8]
最值得優先驗證的重點是什麼？
SparkDiffusion 結合稀疏注意力、少步蒸餾與 FP8 融合核心；在單張 RTX 5090 上生成一段 81 幀、720p 的 Wan 2.1 影片，耗時由 4,769 秒降至 18 秒，約快 265 倍。這是特定測試結果，不是通用保證。[6][8] 「高稀疏陷阱」指模型逐步訓練的損失持續下降，最終影片品質卻停滯甚至變差；SparkDiffusion 以分階段訓練與蒸餾來處理這種落差。[8][18]
接下來在實務上該怎麼做？
目前釋出的 SparkWan 權重涵蓋部分 Wan 2.1、Wan 2.2 設定，各模型支援的稀疏率不一，不能假設每個版本都能達到 97%。[9][10][11][12]
來源
chiprook.comAI News — Models, Tools and Research, Updated Daily
searcharxiv.comKai Zhang | Searcharxiv