01 详细解释
训练时给图片不断加噪,让模型学会「预测这一步加了多少噪」;生成时从纯噪声出发,反复去噪几十步,得到清晰图像。文字提示通过交叉注意力注入每一步。
视频生成把同样的思路扩到时间维:不仅要画面合理,还要帧与帧连贯,所以算力需求高出一个量级。
训练时给图片不断加噪,让模型学会「预测这一步加了多少噪」;生成时从纯噪声出发,反复去噪几十步,得到清晰图像。文字提示通过交叉注意力注入每一步。
视频生成把同样的思路扩到时间维:不仅要画面合理,还要帧与帧连贯,所以算力需求高出一个量级。
厂商说「用了 GQA」「换成 MoE」「支持百万上下文」时,指的都是这一层的设计。不必会推导公式,但要知道改动影响的是显存、速度还是表达能力。
下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。