Hugging Face发布Glance Forcing：革新双向扩散模型蒸馏技术

摘要：Hugging Face推出了一种名为Glance Forcing的新技术，旨在革新双向扩散模型的蒸馏过程。该技术通过将去噪轨迹解耦为两个互补的慢速和快速专家模型，并采用阶段特定的目标函数进行优化，大幅提升了蒸馏效率。在仅使用单个PF-ODE轨迹的情况下，Glance Forcing在VBench基准测试中超越了现有最先进模型，将总分从84.04提升至84.22，同时将轨迹收集成本从数千GPU小时降低至约1个A100-GPU小时。

---

技术机制剖析

Glance Forcing的核心创新在于其对传统双向扩散模型蒸馏流程的改进。传统方法依赖于复杂的离线概率流常微分方程（PF-ODE）轨迹，这些轨迹需要耗费大量计算资源（如数万GPU小时）和存储空间。而Glance Forcing通过以下方式解决了这一问题：

1. 轨迹解耦：将去噪轨迹分为两个互补的慢速和快速专家模型，分别处理高噪声和低噪声区域。这种解耦方式能够更有效地捕捉不同阶段的优化行为，避免了单一模型在处理复杂轨迹时的表示干扰问题。

2. 阶段特定目标函数：为每个专家模型设计了定制化的目标函数，确保每个阶段都能高效优化。这种方法不仅提升了蒸馏效率，还保持了生成质量。

3. 冻结预训练教师模型：在蒸馏过程中，教师模型保持完全冻结，避免了不必要的计算开销，同时确保了知识传递的稳定性。

工程权衡与实测表现

Glance Forcing在多个方面展示了其工程优势：

• 效率提升：通过将轨迹监督减少到单个样本，Glance Forcing将轨迹收集成本从数千GPU小时降低至约1个A100-GPU小时，显著降低了计算资源需求。

• 性能提升：在VBench基准测试中，Glance Forcing将总分从84.04提升至84.22，并在动态度、VisionReward和指令遵循等指标上表现出色。此外，人类评估者对Glance Forcing生成的结果表现出明显偏好。

• 泛化能力：该技术不仅适用于视频生成任务，还展示了其在动态场景建模和复杂交互任务中的潜力。

开发者落地与部署建议

对于开发者而言，Glance Forcing提供了一种高效的双向扩散模型蒸馏方法。以下是一些部署建议：

1. 资源优化：由于Glance Forcing大幅降低了计算资源需求，开发者可以在资源受限的环境中更高效地训练和部署模型。

2. 模型集成：Glance Forcing可以与现有的视频生成和世界模型框架无缝集成，提升整体性能。

3. 持续优化：开发者可以利用Glance Forcing的阶段特定目标函数，进一步优化模型在不同场景下的表现。

总结

Glance Forcing代表了双向扩散模型蒸馏技术的一个重要突破。它不仅提升了蒸馏效率，还保持了高质量的生成结果，为视频生成和世界建模等领域提供了新的可能性。

---

消息来源：Hugging Face Daily Papers (2026-10-14)

—— 完 ——

主题标签： #Hugging Face 关注 #Glance Forcing 关注 #双向扩散模型 关注 #模型蒸馏 关注 #VBench 关注