Hugging Face发布GRACE框架：革新视频生成效率与质量

摘要：Hugging Face推出了一种名为GRACE（Generation-Aware Latent Compression for Efficient Video Generation）的新框架，旨在通过两阶段压缩技术优化视频生成效率，同时保持与预训练Diffusion Transformer（DiT）的兼容性。GRACE通过冻结预训练编码器的基线潜在表示，并学习压缩过程中丢失信息的残差潜在表示，从而在保持生成质量的同时，显著减少token数量并降低延迟。实验表明，GRACE在480x832x81分辨率下将Wan2.1-I2V-14B的token数量减少了8倍，延迟降低了11.1倍，同时在VBench上保持了与压缩前相同的生成质量。

---

背景与挑战

视频生成模型的效率一直是AI领域的重要研究方向。然而，高压缩率的视频自动编码器在训练过程中面临诸多挑战，例如高压缩比会降低重建质量，而增加通道数量以恢复质量又会减缓Diffusion Transformer（DiT）的收敛速度。此外，压缩后的潜在表示与DiT预训练时的表示存在差异，这要求DiT必须从零开始重新训练或进行代价高昂的适应调整。

GRACE框架的创新

为了解决上述问题，Hugging Face提出了GRACE框架，其核心创新点包括：

1. 两阶段压缩技术：

   • 冻结预训练编码器的基线潜在表示。
   • 学习压缩过程中丢失信息的残差潜在表示。
   • 在DiT的特征空间中对齐压缩后的潜在表示与预训练的潜在表示，以优化生成质量。

2. 轻量级微调与不对称去噪：

   • 对DiT进行轻量级微调。
   • 采用不对称去噪策略，先对基线进行去噪，再对残差进行去噪。

实验结果

GRACE在多个关键指标上表现出色：

• 效率提升：在480x832x81分辨率下，将Wan2.1-I2V-14B的token数量减少了8倍，延迟降低了11.1倍。
• 生成质量：在VBench上，GRACE的生成质量与压缩前的预训练管道保持一致。

技术亮点

• 兼容性保持：通过两阶段压缩技术，GRACE在压缩过程中保持了与预训练DiT的兼容性，避免了重新训练或复杂适应过程。
• 性能优化：GRACE不仅提升了生成效率，还通过轻量级微调和不对称去噪策略，确保了生成质量不受影响。

行业影响与开发者建议

GRACE的发布为视频生成领域带来了新的技术路径，尤其在需要高效生成高质量视频的场景中具有重要意义。对于开发者而言，GRACE提供了一种在不牺牲质量的前提下提升生成效率的方法，建议在以下场景中优先考虑使用：

• 实时视频生成：如虚拟现实、增强现实等对实时性要求较高的应用。
• 大规模视频处理：如视频平台的内容推荐和生成。
• 资源受限环境：如移动设备上的视频生成应用。

未来展望

随着GRACE的推出，Hugging Face展示了其在视频生成领域的持续创新。未来，GRACE有望在更多应用场景中得到验证和优化，进一步推动AI视频生成技术的发展。

---

消息来源：Hugging Face Daily Papers (2026-10-07)

—— 完 ——

主题标签： #Hugging Face 关注 #视频生成 关注 #DiT 关注 #压缩技术 关注 #AI效率 关注