AI视频生成革命！MIT领衔豪华天团让生成效率暴涨370%，成本直降4.4倍

【导读】刷到1分钟AI短视频别只顾着点赞，背后的算力成本让人惊叹。MIT和英伟达等提出的径向注意力技术让长视频生成成本暴降4.4倍，速度飙升3.7倍，AI视频的未来已来！

刷到1分钟的AI生成短视频时，你可能想象不到背后的算力成本。

传统的视频扩散模型，处理视频时采用密集注意力机制。

这种方法虽然能保证画质，但计算量大得吓人，生成10秒视频就要烧掉数千元算力费用，随着视频长度增加，算力需求呈指数级飙升。

最近，MIT英伟达等研究人员发明的「径向注意力」技术，不仅让长视频生成速度提升3.7倍，还能把训练成本砍掉4.4倍。

论文链接：https://www.arxiv.org/abs/2506.19852

代码链接：

https://github.com/mit-han-lab/radial-attention/

径向注意力

在扩散模型的加持下，高质量视频生成逐渐从科幻变成现实。

但视频的时间维度给算力增加了不少负担，导致训练和推理长视频的成本飙升。

生成10秒视频就要烧掉数千元算力费用，价格之高令人望而却步。

对此，团队从热力学借了点灵感：「没有任何传播是无损的；信号、影响、注意力都会随着距离衰减。」

他们发现视频扩散模型里的注意力分数同样遵循这个规律——softmax后的权重随着token间的空间和时间距离递减。

这种「时空能量衰减」现象与自然界信号的物理衰减不谋而合。

这会不会就是视频生成降本增效的关键？

为进一步证实这种猜想，团队提出了「径向注意力」（Radial Attention）：一种计算复杂度仅为O(nlog n)的稀疏注意力机制。

区别于之前SVG每次推理对空间/时间注意力进行动态选择，径向注意力用的是一种统一且高效的静态掩码。

这种掩码把空间和时间注意力合二为一，带来了更灵活、更快的长视频生成体验。

而且，这种简洁的静态注意力掩码让每个token只关注附近空间的邻居。随着时间距离的拉长，注意力窗口逐渐收缩。

相比传统的O (n²)密集注意力，径向注意力不仅大幅提升了计算效率，还比线性注意力拥有更强的表达能力。

在这项注意力机制创新的加持下，高质量视频生成变得更快、更长。

训练和推理的资源消耗极大地降低，为视频扩散模型打开了新的可能。

效果有多惊艳？实测数据来说话

研究团队在三个主流模型上做了测试：HunyuanVideo、Wan2.1-14B和Mochi 1，覆盖了不同参数规模的场景。

Mochi 1可以生成长达5秒、480p分辨率、162帧的视频；HunyuanVideo可以生成长达5秒、720p分辨率、125帧的视频；Wan2.1-14B可以生成长达5秒、720p分辨率、81帧的视频。

速度提升1.9倍到3.7倍

在默认视频长度下（如HunyuanVideo的117帧），径向注意力能把推理速度提升1.9倍左右。

当视频长度扩展到4倍时，速度提升更明显：从2895秒（近50分钟）降到781秒（约13分钟），足足快了3.7倍！

以前一小时才能生成的视频，现在喝杯咖啡的功夫就搞定了。

表1展示了在HunyuanVideo和Wan2.1-14B的默认生成长度下，径向注意力与三个强稀疏注意力基线的比较。

在相同的计算预算（以TFLOPs衡量）下，径向注意力保留了密集注意力的视频质量，同时在相似性指标（PSNR、SSIM、LPIPS）上始终优于STA和PA，并与SVG的质量相匹配。

在单个H100上，径向注意力为HunyuanVideo和Wan 2.1分别实现了1.9倍和1.8倍的端到端加速，与理论计算预算节省（1.8倍和1.7倍TFLOPs）相匹配。

尽管STA通过使用 FlashAttention-3（FA-3）产生了略高的加速，但视觉质量明显下降。

训练费用最多节省4.4倍

长视频生成最烧钱的其实是训练阶段。用径向注意力配合LoRA微调技术，训练成本直接大幅下降。

对于企业来说可是天大的好消息，以前做一个长视频项目可能要投入几十万，现在可能只需要几万块。

表2提供了2倍和4倍原始长度的视频生成结果。为了确保公平性，所有稀疏注意力基线使用相似的稀疏率。

当生成长视频时，未经进一步调优的原始模型表现出显著的质量退化，尤其是在4倍视频长度扩展时。

虽然RIFLEx在2倍长度外推时提高了性能，但其质量在此之后恶化，表明扩展能力有限。

空间和时间稀疏注意力受到有限感受野的影响；另一方面，LongLoRA和PA虽然具有全局感受野，但未能捕捉时空相关性，导致质量下降。

有趣的是，PA在微调后视觉奖励有很大提高，表明其原始稀疏模式与预训练的注意力分布不一致。

微调允许模型适应施加的注意力稀疏性，改善对齐和质量。

SANA将softmax注意力替换为线性注意力，需要大规模重新训练，并且在基于微调的视频长度扩展下失败。

相比之下，径向注意力实现了与LoRA微调密集注意力模型相当的质量。甚至在默认视频长度下，比预训练模型略微提高了视觉奖励。

由于O(nlog n)复杂度，径向注意力比原始密集注意力提供了显著的推理和训练加速，如表2和图2所示。

生成4倍长的视频时，可以节省高达4.4倍的训练成本，并实现高达3.7倍的推理加速。

最关键的是，速度和成本降下来了，画质还没缩水。

在HunyuanVideo上，径向注意力的PSNR值达到27.3，和原始模型基本持平；视觉奖励分数0.134，甚至比密集注意力的0.133还高一点点。

不只是快：

径向注意力的「隐藏技能」

很多技术升级都需要重新训练模型，但径向注意力不需要。

它可以直接应用在预训练好的模型上，通过简单的 LoRA 微调就能实现加速。

径向注意力的一个关键优势是与预训练的特定任务LoRA（如艺术风格迁移）的无缝兼容性，这对创作者太友好了。

如图8所示，将扩展长度LoRA与现有风格LoRA结合使用，在实现长视频生成的同时保留了视觉质量。

研究团队还观察到，合并LoRA生成的内容风格与原始LoRA略有不同。

这种差异主要归因于用于训练扩展长度LoRA的相对较小的数据集，这可能引入轻微的风格偏差，与风格LoRA相互作用。

在更全面的数据集上训练长度扩展LoRA，预计将有助于缓解这个问题。

以前生成1分钟的AI视频是很多中小团队不敢想的，现在径向注意力让这事变得可行了。

以后，我们可能会看到更多AI生成的长视频内容，像短视频平台的剧情号。

参考资料：

https://www.arxiv.org/abs/2506.19852

https://github.com/mit-han-lab/radial-attention/