超越固定公式：高效扩散模型的数据驱动线性预测器

为了解决 Diffusion Transformer (DiTs) 的高采样成本，特征缓存提供了 无需训练 加速方法。然而，现有的方法依赖于手工制作的预测公式，在激进的跳过情况下会失败。我们提出了 L2P（可学习线性预测器），这是一种简单的数据驱动的缓存框架，用可学习的每时间步权重代替固定系数。 L2P 在单个 GPU 上经过约 20 秒的快速训练，可以根据过去的轨迹准确地重建当前特征。 L2P 显着优于现有基线：它在 FLUX.1-dev 上实现了 4.55 倍的 FLOP 减少和 4.15 倍的延迟加速，并在 Qwen-Image 模型上高达 7.18 倍的加速下保持了高视觉保真度，而之前的方法显示出明显的质量下降。我们的结果表明，学习线性预测器对于高效 DiT 推理非常有效。代码可在 https://github.com/Aredstone/L2P-Cache 获取。