大型视频扩散模型虽能生成高质量内容，却因多步采样而效率低下，难以应用于实时场景。NVIDIA与纽约大学联合提出的TMD框架，通过创新的过渡匹配蒸馏技术，成功解决了这一瓶颈。该框架在大幅压缩推理步骤的同时，还能保持甚至提升视频生成质量，为实时交互应用开辟了新可能。
智能速览
当前视频扩散模型因多步采样而无法满足实时生成需求。
NVIDIA与纽约大学联合推出TMD蒸馏新框架。
TMD将多步去噪轨迹与轻量级的少步概率过程匹配。
该方法在生成速度与视频质量间提供灵活的平衡。
实验证明TMD在视觉保真度和提示词遵循度上超越现有技术。
精华内容
TMD的核心突破在于，它摒弃了将扩散模型视为黑盒的传统思路，转而深入挖掘其内部的层次化结构，通过精准匹配实现效率与质量的双重飞跃。
现有技术的瓶颈
当前，大型视频扩散和流模型在生成高质量视频方面取得了巨大成功，但其核心的采样过程需要数十甚至上百个步骤，导致推理速度缓慢，无法满足实时交互应用的需求。
尽管已有研究通过扩散蒸馏来压缩采样步骤，但大多数方法存在一个共同的局限：它们将整个扩散网络视为一个单一的整体映射，忽略了大型模型内部固有的层次化结构和语义信息。这种简化的处理方式往往会导致视频生成质量的明显下降。
TMD的创新思路
为克服上述局限，研究团队提出了过渡匹配蒸馏（TMD）这一新框架。TMD的核心思想不再是对整个网络进行粗暴压缩，而是将原始扩散模型复杂的多步去噪轨迹，与一个仅需少量步骤的概率转移过程进行匹配。
在这个过程中，每一步的转移都由一个轻量级的条件概率流来建模。这种方式巧妙地利用了原模型内部的层次化信息，在大幅减少计算步骤的同时，更精细地保留了生成内容的质量和与输入提示词的关联性。
性能表现卓越
为了验证TMD的有效性，团队在当前前沿的Wan2.1 T2V（文本到视频）模型上进行了蒸馏实验。结果表明，TMD框架在平衡生成速度与视频质量之间提供了细粒度的灵活性。
与现有的其他蒸馏技术相比，TMD展现出显著优势。在相当甚至更低的计算预算下，TMD能够实现更优的视觉保真度和对提示词的遵循度，这意味着生成的视频不仅更清晰，而且更准确地反映了用户的创作意图。
TMD框架的提出，为视频扩散模型的实用化落地提供了关键的技术支撑，实现了速度与质量的兼得。这不仅意味着更流畅的AI视频创作体验，也为实时视频生成、虚拟交互等前沿领域的发展注入了新的活力。未来，视频生成的边界将被如何重新定义？
