AdaCache

让视频生成提速,按内容智能跳过冗余计算

AdaCache 是 ICCV 2025 论文的官方代码,针对视频生成扩散 Transformer(DiT)推理速度慢的问题,提出内容自适应缓存机制。它通过动态识别视频生成过程中冗余的计算步骤,在保证生成质量的前提下跳过部分注意力或前馈计算,从而显著加速视频生成。核心能力包括:基于视频内容复杂度的自适应缓存策略、与主流 DiT 架构的即插即用集成、以及训练/推理流程的完整实现。项目处于早期阶段,代码结构清晰,适合研究高效视频生成算法的开发者使用。

开源 free 视频生成
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 173
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类视频生成
开发团队AdaCache-DiT
所属国家
定价模式free
价格说明开源项目,Apache-2.0许可证,代码免费,需自行部署,无在线服务。
访问状态
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型caching,content-adaptive,diffusion-transformer,efficiency,video-generation
GitHub 星标★ 173
30天Star增速
HF 下载量
上线时间2024-10-31 00:00:00
最近更新2026-09-08 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数0

使用教程

核心亮点

  • 提出内容自适应缓存,相比固定缓存更灵活,能兼顾质量与速度
  • 官方 ICCV 2025 论文代码,算法经过学术验证,可靠性高
  • 支持即插即用,可集成到现有 DiT 视频生成模型中,降低使用门槛

不足之处

  • 项目早期,文档和示例较少,上手需要一定论文阅读基础
  • 依赖特定 DiT 架构,通用性待验证,可能需针对不同模型调整

适用场景

  • 视频生成模型推理加速,降低生成延迟
  • 在计算资源受限的环境(如边缘设备)部署视频生成应用
  • 研究扩散模型高效推理,探索缓存策略与生成质量的平衡

替代项目

DeepCache、BlockCached、ToMe

项目介绍

AdaCache 是视频领域的开源项目,由 AdaCache-DiT 开发,2024 年首次发布。

它收录于视频分类,该分类目前共有 473 个项目,GitHub 星标数为 173。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-09-08。Apache-2.0许可证,代码免费,需自行部署,无在线服务。

它主要面向的使用场景是:视频生成模型推理加速,降低生成延迟。同类可对比的替代方案包括 DeepCache、BlockCached、ToMe。

上一篇:StoryGen

下一篇:physgen

同类项目推荐

MoneyPrinterTurbo 开源

输入一句话,高清短视频自动出炉,文案配音全包了

利用 AI 大模型和自动化工作流,根据主题或关键词一键生成高清短视频。Generate HD short ···

★ 125106 2026-08-09
seedance-2.0-api 开源

快速上手字节Seedance 2.0,文本/图片一键生成视频

Seedance 2.0 API — text-to-video and image-to-video examples

★ 332 2026-08-26
openscreen 开源

免费无水印录屏做演示,替代 Screen Studio

Record your screen, ship a demo. Free and open-source, GPU-accelerated, no watermark···

★ 3185 2026-08-10
MagicDance 开源

一张图+任意动作,生成身份不变的逼真人物视频

[ICML 2024] MagicPose(also known as MagicDance): Realistic Human Poses and Facial Ex···

★ 777 2026-08-09