KI-Video, berichtet aus den Quellen

Analyse

ScoutCache: trainingsfreie Methode meldet bis zu 2,28× Beschleunigung bei Self-Forcing

Laut den Autoren beschleunigt ScoutCache autoregressive Few-Step-Videodiffusion um bis zu 2,28× (Self-Forcing) und 1,86× (LongLive), ohne Gewichte zu ändern.

Titelbild: 2,28×, maximale Beschleunigung bei Self-Forcing, ohne Gewichtsänderung

Die Autoren von ScoutCache, einem Paper auf arXiv, geben an, dass ihre trainingsfreie Methode autoregressive Few-Step-Videodiffusion bei Self-Forcing um bis zu 2,28× und bei LongLive um bis zu 1,86× beschleunigt und dabei die Generierungsqualität verbessert (arXiv). Laut dem Paper geschieht dies, ohne die Parameter des vortrainierten Modells zu verändern, sodass vorhandene Checkpoints unverändert beschleunigt werden können. Alle folgenden Zahlen stammen aus den eigenen Experimenten der Autoren, nicht aus einem unabhängigen Test.

Was die Methode leistet

ScoutCache wird als Framework beschrieben, das Denoising, das Lesen des historischen KV und den Aufbau des Caches gemeinsam optimiert. Im Aufbau des Papers enthält der historische Cache vier Frame-Regionen: den ersten Latent-Frame des Videos als festen Anker und die drei Frames des vorangegangenen Chunks (arXiv). Unter den Baselines komprimieren oder beschneiden FlowCache und Forcing-KV bereits historische KV-Caches, während ScoutCache Denoising, das Lesen des historischen KV und den Cache-Aufbau in einem Framework vereint.

Die Autoren evaluieren es an den öffentlich veröffentlichten 1.3B-Checkpoints von Self-Forcing und LongLive. Eine Komponente, Conditional Denoising Readout (CDR), wird einzeln gemessen: Laut dem Paper senkt sie den normalisierten Update-Fehler von 1,000 ohne Update auf 0,596.

Beschleunigung nach Videolänge

Bei Self-Forcing berichtet das Paper eine Beschleunigung von 1,60× auf VBench sowie 2,19×, 2,25× und 2,28× auf MovieGen bei 30, 60 beziehungsweise 120 Sekunden. Die herausgestellten 2,28× entsprechen also der längsten MovieGen-Einstellung mit 120 Sekunden. Das Paper führt den Anstieg der Beschleunigung mit der Videodauer auf den schrumpfenden relativen Aufwand der anfänglichen Kalibrierung zurück.

Der Wert von 1,86× gehört zu LongLive, einem eigenständigen Backbone. Praktiker sollten die beiden Höchstwerte als Ergebnisse für verschiedene Modelle lesen, nicht als eine Zahl für die gesamte Methode.

Qualitätswerte in Tabelle 6

Veröffentlichte ErgebnisseTabelle 6 des Papers: Detaillierte Videoqualitätswerte für Self-ForcingZeilen aus Tabelle 6 des Papers (arXiv-HTML-Version), von unserem Code zellengetreu übernommen. Es sind Zahlen der Autoren, kein unabhängiger Test. Die erste Spalte nennt den Tabellenblock. Von 11 Spalten sind 5 gezeigt, darunter jede mit einer im Artikel genannten Zahl oder Kennzahl. Nicht gezeigt: Tea Cache, MotionCache (Fast) und 4 weitere. Zeilen: 10 von 24, mit jeder Zeile, deren Wert der Artikel nennt oder die er benennt, und den Zeilen von MovieGen (120s), der Bedingung des Spitzenergebnisses. Nicht gezeigt von 4 Blöcken: MovieGen (30s) (7 Zeilen), MovieGen (60s) (7 Zeilen).Daten abgerufen am 18. November 2026Quelle [2]So funktioniert dieses FormatDaten herunterladen
Tabellenblock Metrik Self- Forcing Flow Cache MotionCache (Slow) ScoutCache Quellseite
VBench (5s) Quality Score 84.06 84.04 72.96 84.38 https://arxiv.org/html/2611.21038
VBench (5s) Semantic Score 71.36 71.64 52.75 71.28 https://arxiv.org/html/2611.21038
VBench (5s) Total Score 81.52 81.56 68.92 81.76 https://arxiv.org/html/2611.21038
MovieGen (120s) Subject Consistency 96.54 96.35 94.00 97.29 https://arxiv.org/html/2611.21038
MovieGen (120s) Background Consistency 96.66 96.34 95.28 95.43 https://arxiv.org/html/2611.21038
MovieGen (120s) Motion Smoothness 97.99 98.14 95.36 98.09 https://arxiv.org/html/2611.21038
MovieGen (120s) Dynamic Degree 28.24 28.68 17.57 49.14 https://arxiv.org/html/2611.21038
MovieGen (120s) Aesthetic Quality 51.27 51.14 45.66 56.77 https://arxiv.org/html/2611.21038
MovieGen (120s) Imaging Quality 61.85 59.64 51.04 68.82 https://arxiv.org/html/2611.21038
MovieGen (120s) Total Score 75.03 74.62 68.56 79.11 https://arxiv.org/html/2611.21038

Tabelle 6 des Papers nennt detaillierte Qualitätswerte für Self-Forcing, mit VBench-Werten für Quality, Semantic und Total beim 5-Sekunden-Block sowie sechs VBench-Long-Dimensionen plus einem Total Score für längere Videos. Im Block VBench (5s) beträgt der Total Score 81,52 für Self-Forcing, 81,56 für Flow Cache und 68,92 für MotionCache (Slow). Flow Cache erreicht bei dieser Kennzahl im Wesentlichen die nicht beschleunigte Self-Forcing-Baseline, während MotionCache (Slow) einen großen Teil der Qualität einbüßt.

Der Semantic Score von VBench (5s) beträgt 71,36 für Self-Forcing, 71,64 für Flow Cache und 52,75 für MotionCache (Slow). Der Semantic Score folgt einem ähnlichen Muster: Flow Cache liegt mit 71,64 über den 71,36 von Self-Forcing, während MotionCache (Slow) mit 52,75 deutlich niedriger liegt.

Wie die Aussagen zu lesen sind

Das Paper stellt fest, dass ScoutCache die Generierungsqualität durchgängig verbessert und zugleich die Generierung beschleunigt. Das ist eine Behauptung der Autoren, evaluiert auf VBench und MovieGen mit zwei 1.3B-Backbones. Weil die Methode kein Training benötigt, könnte ein Praktiker mit einem der beiden Checkpoints sie grundsätzlich ohne erneutes Training testen, und die obigen Geschwindigkeitswerte zeigen den Bereich, den man an den eigenen Clips prüfen sollte. Die Baselines in Tabelle 6 zeigen, warum Qualität neben der Geschwindigkeit angegeben werden muss: Der Abstand zwischen Self-Forcing und MotionCache (Slow) ist weit größer als der zwischen Self-Forcing und Flow Cache.

Wie wir das erstellt haben

Veröffentlichte Ergebnisse

Tabelle 6 des Papers: Detaillierte Videoqualitätswerte für Self-Forcing

Zeilen aus Tabelle 6 des Papers (arXiv-HTML-Version), von unserem Code zellengetreu übernommen. Es sind Zahlen der Autoren, kein unabhängiger Test. Die erste Spalte nennt den Tabellenblock. Von 11 Spalten sind 5 gezeigt, darunter jede mit einer im Artikel genannten Zahl oder Kennzahl. Nicht gezeigt: Tea Cache, MotionCache (Fast) und 4 weitere. Zeilen: 10 von 24, mit jeder Zeile, deren Wert der Artikel nennt oder die er benennt, und den Zeilen von MovieGen (120s), der Bedingung des Spitzenergebnisses. Nicht gezeigt von 4 Blöcken: MovieGen (30s) (7 Zeilen), MovieGen (60s) (7 Zeilen).

arXiv

Quellen

Die Quellen, aus denen dieser Artikel geschrieben wurde. Die Links öffnen die Originalseite.

  1. arXivScoutCache: Efficient Few-Step Autoregressive Video Diffusion via Conditional Readout and Selective Cachingarxiv.orgPrimärquelle · abgerufen am 18. November 2026
  2. arXivScoutCache: Efficient Few-Step Autoregressive Video Diffusion via Conditional Readout and Selective Cachingarxiv.orgPrimärquelle · abgerufen am 18. November 2026
  • video diffusion
  • autoregressive
  • kv cache
  • self forcing
  • longlive
  • vbench