作者和團隊介紹：本文第一作者是高煥霖，通訊作者為趙放和廉士國，所有作者均來自聯(lián)通數(shù)據(jù)智能有限公司（中國聯(lián)通數(shù)據(jù)科學與人工智能研究院）- 元景大模型研發(fā)團隊和南京大學，專注于聯(lián)通元景大模型研發(fā)。

FLUX 、Qwen-Image 等多模態(tài)生成模型的推理速度一直是工業(yè)級多模態(tài)模型落地的痛點。傳統(tǒng)的特征緩存（Feature Caching）方案在追求高倍率加速時，常因瞬時速度的劇烈波動導致軌跡漂移。

針對這一痛點，中國聯(lián)通數(shù)據(jù)科學與人工智能研究院與南京大學研究團隊，在此前工作 LeMiCa（NeurIPS 2025 Spotlight）的基礎上繼續(xù)深耕，推出了進階加速框架MeanCache

該工作不僅承襲了團隊在擴散模型加速領域的深厚積淀，更在技術上實現(xiàn)了跨越：受到 MeanFlow 啟發(fā)，MeanCache 首次將 “平均速度” 視角引入緩存推理，通過 JVP 修正精準校正了生成軌跡，實現(xiàn)了4x以上的推理提速。該成果已入選人工智能頂會ICLR 2026，目前，論文、代碼均已開源。

• 論文標題：MeanCache: From Instantaneous to Average Velocity for Accelerating Flow Matching Inference
• 論文鏈接：https://arxiv.org/pdf/2601.19961
• 項目主頁：https://unicomai.github.io/MeanCache/
• 代碼地址：https://github.com/UnicomAI/MeanCache

技術創(chuàng)新：平均速度驅動的緩存新范式

MeanCache 的核心貢獻在于將緩存加速從 “瞬時速度” 轉向了 “平均速度”，主要包含以下兩個核心技術點：

JVP 驅動的平均速度

該建模方式將緩存視角從單一的 “點” 擴展到了 “區(qū)間”，通過提供更穩(wěn)定的引導信號，有效地校正了高倍率加速下的軌跡偏離。

軌跡穩(wěn)定調度策略

“什么時候該緩存？” 以往的方法多依賴固定步長或手動閾值。MeanCache 將推理過程建模為一個多重圖（Multigraph）尋優(yōu)問題。

它將每個時間步視為節(jié)點，將預測均值速度與真實值之間的穩(wěn)定性偏差定義為邊權：

節(jié)點和邊組成多重圖，然后再通過峰值抑制最短路徑（Peak-Suppressed Shortest Path）算法，在給定的計算預算下，計算規(guī)則下最優(yōu)的緩存策略：

實驗結果：刷新 SOTA 加速表現(xiàn)

文生圖

在商業(yè)級文生圖模型 Qwen-Image 和 FLUX.1 [dev] 分別實現(xiàn)最高 4x 加速，在 Image Reward 和感知指標上取得了 SOTA 的表現(xiàn)。

從視覺效果上看，隨著加速比的增大，MeanCache 生成的圖片在內容一致性方面表現(xiàn)更好。

文生視頻

在視頻生成模型 HunyuanVideo 上也實現(xiàn)了 3.6x 加速和 SOTA 的指標提升。

在對視頻的定性分析上，MeanCache 也表現(xiàn)出更好的加速效果，不論是畫質還是內容一致性方面。

語義一致性：更進一步，針對 rare-word（如下圖 "Peristeronic"）的高難度生僻 Prompt 的測試下，MeanCache 展現(xiàn)了更強的語義魯棒性。

業(yè)界頂級團隊推薦

同時，MeanCache 已支持最新的阿里通義 Z-Image 和 Qwen-Image-2512 文生圖模型，并獲得了 Z-Image 團隊的官方主頁推薦，社區(qū)已支持ComfyUI

總結與展望

MeanCache 作為一種輕量化、免訓練的 Flow Matching 加速框架，創(chuàng)新性地提出了 “平均速度緩存” 與 “軌跡穩(wěn)定性調度” 方案。該方案在確保圖像高保真度與內容一致性的基礎上，顯著提升了大模型的推理效率。 聯(lián)通元景大模型團隊將以此為基石，持續(xù)深耕模型推理加速及復雜場景生成領域。我們致力于為業(yè)界貢獻更多元化的技術視角，進一步降低工業(yè)級生成模型的使用門檻與算力成本。