作者介紹：本文的共同第一作者為崔奔雷（阿里巴巴）和何少軒（阿里巴巴實習生、浙江大學）主要研究領(lǐng)域為多模態(tài)理解與生成，通訊作者洪海文（阿里巴巴）和趙洲（浙江大學）主要研究領(lǐng)域分別為多模態(tài)大語言模型、語音理解生成等方向。

近年來，擴散模型已成為圖像、音頻、視頻等多模態(tài)生成的核心技術(shù)路線，并在工業(yè)界得到廣泛應(yīng)用。但在實際落地中仍存在關(guān)鍵瓶頸：工業(yè)級推理預(yù)算通常只有 20–30 步，在這一約束下，許多加速方法仍會出現(xiàn)紋理錯亂、顏色漂移、軌跡偏離等問題，影響生成質(zhì)量與穩(wěn)定性。

這一問題也限制了生成技術(shù)在理解側(cè)訓練中的大規(guī)模應(yīng)用，而這對于補充安全場景中的高危稀缺樣本、構(gòu)造生產(chǎn)環(huán)境下的對抗變異樣本至關(guān)重要。高危圖片和視頻往往傳播快、危害大，但樣本數(shù)量有限，因此需要借助生成技術(shù)大規(guī)模合成相關(guān)數(shù)據(jù)，以提升審核模型的識別能力。

同時，AI 時代用戶生成變異樣本的成本大幅降低，使內(nèi)容安全面臨更強的對抗壓力。因此，需要在管控側(cè)引入生成技術(shù)，構(gòu)造對抗訓練樣本，提升審核模型的魯棒性。然而，對于這類大規(guī)模工業(yè)應(yīng)用而言，擴散模型過高的推理時延仍然不可接受。如何在有限步數(shù)預(yù)算下兼顧生成質(zhì)量與推理效率，已成為工業(yè)級擴散落地的核心挑戰(zhàn)。

針對這一挑戰(zhàn)，阿里安全 AGI 實驗室 - 御風大模型團隊聯(lián)合浙江大學提出了一種全新的擴散加速方法 ——TC-Padé（Trajectory-Consistent Padé Approximation）。該方法基于 Padé 逼近構(gòu)建殘差預(yù)測框架，在無需訓練、即插即用的前提下，實現(xiàn)對擴散采樣過程的高效加速，并在低步數(shù)設(shè)置下依然保持穩(wěn)定、高質(zhì)量的生成效果。實驗表明，TC-Padé 在圖像生成、視頻生成和類別條件圖像生成等任務(wù)上都取得了出色表現(xiàn)。例如，在 FLUX.1-dev 上可實現(xiàn) 2.88× 加速，在 Wan2.1 視頻生成模型上可實現(xiàn) 1.72× 加速，同時顯著優(yōu)于已有緩存類加速方法?；谝陨霞铀俜椒ǎL大模型團隊得以產(chǎn)出大量高質(zhì)量冷門風險訓練樣本，大幅度提升模型對風險的視覺理解能力，賦能百項以上廣泛業(yè)務(wù)場景。

該研究論文已被 CVPR 2026 錄用。

• 論文標題：TC-Padé: Trajectory-Consistent Padé Approximation for Diffusion Acceleration
• 論文鏈接：https://arxiv.org/pdf/2603.02943
• Github 地址：https://github.com/Alibaba-YuFeng/TC_Pade

一、研究背景

擴散模型的生成質(zhì)量雖然已經(jīng)達到很高水平，但其推理效率始終是落地應(yīng)用中的核心制約因素。由于擴散采樣依賴多步迭代去噪，一個樣本通常需要經(jīng)歷數(shù)十次甚至上百次網(wǎng)絡(luò)前向計算，這使得模型在實時交互、批量生成和資源受限場景中面臨較高的時延與成本。

為降低這一開銷，近年來出現(xiàn)了多類擴散加速方法，其中一類重要思路是特征緩存（feature caching）。這類方法利用相鄰時間步之間特征變化較小的性質(zhì)，減少重復計算，從而實現(xiàn) “免訓練、可插拔” 的推理加速?，F(xiàn)有方法主要包括兩種路線：

（1）基于復用的方法：直接緩存并復用中間特征；

（2）基于預(yù)測的方法：根據(jù)歷史特征變化趨勢預(yù)測未來特征。

盡管這些方法在較高采樣步數(shù)（如 50 步）下能夠取得一定加速效果，但在工業(yè)場景更常見的 20～30 步低步數(shù)采樣中，其局限性會明顯暴露出來。隨著時間步間隔變大，特征之間的相似性快速下降：

（1）復用類方法容易因緩存特征與當前狀態(tài)不匹配而產(chǎn)生偏差；

（2）多項式外推類方法則容易因誤差積累導致軌跡漂移。

如下圖所示，在低步數(shù)設(shè)置下，已有加速方法往往會帶來明顯的畫質(zhì)下降，而 TC-Padé 能夠在實現(xiàn)更高加速比的同時，保持更好的視覺一致性。

圖 1 相較于已有緩存加速方法，TC-Padé 在 20 步采樣下依然能夠保持更穩(wěn)定的紋理與色彩表現(xiàn)

為何現(xiàn)有方法在低步數(shù)下容易失效？低步數(shù)采樣意味著：相鄰推理步之間的時間跨度更大，特征演化不再平滑。這會帶來兩個直接問題。第一，傳統(tǒng)緩存復用方法默認相鄰時間步特征 “足夠相似”，但在低步數(shù)場景下，這一假設(shè)很容易被打破，導致緩存信息與當前狀態(tài)錯位，從而影響生成質(zhì)量。第二，基于泰勒展開的外推方法雖然能夠在局部做近似，但泰勒多項式本質(zhì)上更適合小范圍、平滑變化的趨勢建模。

當時間間隔增大、特征變化更復雜時，就容易出現(xiàn)外推誤差放大、采樣軌跡偏移的問題。論文通過 PCA 可視化進一步表明，已有方法在加速采樣過程中往往無法保持與原始采樣軌跡的一致性，而 TC-Padé 更接近原始軌跡，體現(xiàn)出更強的穩(wěn)定性。

圖 2 不同緩存方法在 20 步采樣設(shè)置下的軌跡一致性對比，TC-Padé 更接近原始軌跡，體現(xiàn)出更強的穩(wěn)定性

二、研究方法：TC-Padé 核心創(chuàng)新

針對上述問題，本文提出了 TC-Padé，從 “預(yù)測對象”“預(yù)測形式” 和 “采樣階段策略” 三個層面重新設(shè)計擴散緩存加速框架，核心包括以下兩點：

1、創(chuàng)新一：基于） Padé 逼近的軌跡一致性殘差預(yù)測

與直接預(yù)測原始特征不同，TC-Padé 首先將建模對象轉(zhuǎn)向殘差表示（residual representation）。殘差刻畫的是層間特征增量，相較于原始特征通常具有更高的時間連續(xù)性和更穩(wěn)定的變化規(guī)律，因此更適合做跨時間步預(yù)測。

殘差定義如下：

其中，x_{t} l 和 x_{t} r 分別表示時間步 t 下不同層的特征表示，R_{t} l:r 表示對應(yīng)層間殘差。

在此基礎(chǔ)上，TC-Padé 使用 Padé 逼近替代傳統(tǒng)的泰勒多項式展開。Padé 逼近采用 “分子多項式 / 分母多項式” 的有理函數(shù)形式，能夠更好地描述非線性變化、漸近行為和階段切換，因此在低步數(shù)、大跨度時間間隔下具有更好的穩(wěn)定性。其一般形式為：

在本文中，為平衡效果與開銷，采用了低階 Padé 型預(yù)測器，對當前殘差進行預(yù)測：

進一步可恢復當前時刻輸出特征：

這一設(shè)計避免了直接在高維原始特征空間進行預(yù)測，使模型能夠更聚焦于結(jié)構(gòu)更穩(wěn)定的殘差動態(tài)，從而有效降低低步數(shù)采樣中的誤差累積問題。

2、創(chuàng)新二：面向去噪階段差異的步感知預(yù)測策略

擴散模型在不同采樣階段的動態(tài)特性并不相同：早期階段，噪聲高，結(jié)構(gòu)變化劇烈；中期階段，整體結(jié)構(gòu)逐漸穩(wěn)定，適合進行軌跡預(yù)測；后期階段，主要進行細節(jié)修復與紋理優(yōu)化?，F(xiàn)有方法通常采用統(tǒng)一策略處理整個去噪過程，難以適應(yīng)不同階段的變化特點。為此，TC-Padé 提出了一種去噪步感知（step-aware）預(yù)測策略，針對不同階段采用不同的殘差更新方式：

其中，T 為總?cè)ピ氩綌?shù)。這一策略使 TC-Padé 能夠在采樣早期避免過度外推，在中期充分發(fā)揮 Padé 逼近的優(yōu)勢，并在后期捕捉更細粒度的變化趨勢，從而提升整體加速過程的穩(wěn)定性與生成質(zhì)量。

3、創(chuàng)新三：自適應(yīng)軌跡穩(wěn)定性判別機制

除了預(yù)測方式的設(shè)計外，TC-Padé 還引入了一個軌跡穩(wěn)定性指標（Trajectory Stableness Indicator, TSI），用于判斷當前時間段是否適合跳過計算、直接使用預(yù)測結(jié)果。其定義為：

當軌跡變化平穩(wěn)時，模型可安全地跳過部分計算并采用預(yù)測；當軌跡不穩(wěn)定時，則恢復完整計算，以保證生成質(zhì)量。這樣就實現(xiàn)了在穩(wěn)定區(qū)間盡可能加速，在關(guān)鍵變化區(qū)間保留精細計算的自適應(yīng)推理機制。

圖 3 在每個緩存區(qū)間內(nèi)，系統(tǒng)通過軌跡穩(wěn)定性指標動態(tài)判斷是執(zhí)行完整計算還是進行殘差預(yù)測

三、實驗亮點：低步數(shù)下依然保持高質(zhì)量與高速度

（一）圖像生成任務(wù)：更快的同時保持更高保真度

在文本到圖像生成任務(wù)中，TC-Padé 在 FLUX.1-dev 上展現(xiàn)出非常突出的效率 — 質(zhì)量平衡能力。實驗結(jié)果表明：

（1）TC-Padé（fast）實現(xiàn) 2.88× 加速

（2）在 FID、CLIP Score 等指標上保持與原始模型接近的性能

（3）在 PSNR、SSIM、LPIPS 等保真度指標上明顯優(yōu)于其他緩存類方法

相比之下，已有方法雖然在部分設(shè)置下可以進一步壓縮 FLOPs，但往往伴隨顯著的畫質(zhì)下降，甚至出現(xiàn)無法接受的圖像退化。TC-Padé 則在較高加速比下依然能夠保持良好的紋理、結(jié)構(gòu)與語義一致性。

表 1 方法在實現(xiàn)高達 2.88× 加速的同時，依然保持高質(zhì)量圖像生成效果

（二）視頻生成任務(wù)：在時序生成中同樣有效

視頻生成對一致性要求更高，任何預(yù)測偏差都可能在時間維度被進一步放大。即便如此，TC-Padé 仍在 Wan2.1-1.3B 視頻生成模型上取得了優(yōu)異結(jié)果：

（1）1.72× 推理加速，1.74× FLOPs 降低

（2）VBench-2.0 總分僅較原始 20 步基線小幅下降

（3）在 PSNR、SSIM、LPIPS 等指標上顯著優(yōu)于泰勒預(yù)測類方法

這說明 TC-Padé 不僅適用于靜態(tài)圖像生成，也能夠較好適配視頻場景中的復雜時空動態(tài)。

表 2 在視頻生成任務(wù)中的效果對比。相較于其他方法，TC-Padé 在保證視頻內(nèi)容穩(wěn)定性的同時實現(xiàn)了更高效率

（三）類別條件圖像生成：兼顧樣本保真度與多樣性

在 DiT-XL/2 的 ImageNet 256×256 類別條件圖像生成任務(wù)中，TC-Padé 同樣表現(xiàn)穩(wěn)定：

（1）1.46× 時延加速，1.64× FLOPs 降低

（2）FID 優(yōu)于對比的緩存加速方法

（3）Precision 與 Recall 保持更好平衡

這表明 TC-Padé 不僅適用于文本條件生成任務(wù)，也能在標準視覺生成基準上保持較強競爭力。

表 3 TC-Padé 在 DiT-XL/2 上的定量結(jié)果，展示了其在類別條件圖像生成任務(wù)中的穩(wěn)定泛化能力

（四）消融實驗：關(guān)鍵設(shè)計帶來穩(wěn)定收益

論文進一步通過消融實驗驗證了 TC-Padé 各組成模塊的有效性。

1、殘差緩存粒度分析：實驗比較了不同緩存粒度，包括 double-stream、single-stream 和 entire block。結(jié)果顯示，在整個 block 粒度上進行殘差緩存與預(yù)測時效果最佳，能夠在速度和質(zhì)量之間取得更優(yōu)平衡。

2、穩(wěn)定性閾值分析：通過調(diào)整軌跡穩(wěn)定性閾值 θ，可以靈活控制加速比與質(zhì)量之間的權(quán)衡。實驗顯示，θ=0.7 時可獲得最高 2.88× 加速，而 θ=1.0 則在質(zhì)量和效率之間表現(xiàn)出更均衡的綜合效果。

3、與量化技術(shù)兼容：TC-Padé 還具有良好的工程兼容性，可與量化等其他推理優(yōu)化技術(shù)疊加使用。實驗顯示，在結(jié)合量化后，其整體時延下降可進一步擴大，體現(xiàn)出良好的實際部署潛力。

四、總結(jié)

TC-Padé 針對擴散模型低步數(shù)采樣中 “加速容易、穩(wěn)定很難” 的核心問題，提出了一套兼顧理論與實踐的新方案。通過基于 Padé 逼近的殘差預(yù)測、步感知預(yù)測策略以及軌跡穩(wěn)定性自適應(yīng)判別機制，該方法在無需訓練的條件下顯著提升了擴散推理效率，并在多個任務(wù)上保持了高質(zhì)量生成效果。對于追求低延遲、高吞吐、可落地部署的擴散模型應(yīng)用而言，TC-Padé 提供了一種具有現(xiàn)實價值的高效加速思路，也為未來擴散模型推理優(yōu)化打開了新的方向。