问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
2026年4月，腾讯混元团队正式开源面向少步蒸馏视频生成模型的加速方案DisCa，该方案通过可学习特征缓存技术突破传统缓存方案的误差瓶颈，在保证生成质量的前提下，实现最高11.8倍的推理加速，相关成果已被国际计算机视觉顶会CVPR 2026收录，目前完整代码与模型权重已对外开放供行业开发者测试使用。
AI生成视频是当前AIGC领域落地需求最旺盛的方向之一，但生成速度慢、推理成本高的问题，始终卡住行业规模化应用的脖子。原生扩散视频生成模型通常需要数十步甚至上百步推理才能生成合格内容，单条1080P短视频的生成成本往往数元起，就算经过知识蒸馏压缩到少步模型，推理成本依然难以满足批量生产的需求。
传统特征缓存方案虽然能在多步生成模型上实现不错的加速效果，但直接移植到少步蒸馏模型上，会产生过大的缓存误差，最终直接导致生成画面崩坏、质量不达标，这一矛盾长期没有得到行业的有效解决。
DisCa是学界和业界首次在蒸馏后少步模型上探索可学习特征缓存加速技术的尝试，核心思路是在已经完成蒸馏、推理步数已经压缩的模型基础上，进一步挖掘推理成本的压缩空间。
针对传统方案的误差问题，DisCa引入了轻量级神经网络预测器，通过对抗学习完成训练，让预测器学会根据已有的缓存特征，精准预测后续特征的演化轨迹，从根源上降低了缓存带来的误差。这一改进在不损失生成质量的前提下，把视频生成的推理速度最高提升了11.8倍，大幅拓展了少步模型的加速边界。
此次腾讯混元团队不仅拿出了被顶会认可的研究成果，还将DisCa的完整代码和模型权重全部公开，任何开发者都可以直接下载使用。对于行业而言，DisCa不需要对现有少步视频生成模型做重新训练，只需要叠加加速模块就能获得提速效果，适配成本极低，能够帮助中小开发团队大幅降低推理算力成本。
近年来生成式AI领域不断有新的基础模型方案推出，比如MIT何恺明团队提出的MeanFlow方案，已经在图像生成领域验证了新生成路径的优势，这类新框架也可以叠加DisCa这类加速方案进一步降低落地成本，业内普遍认为，这类细分技术的突破会持续推动AI视频生成的规模化落地。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号