腾讯混元开源视频生成加速方案 DisCa：提速 11.8 倍，入选 CVPR2026

视频生成又慢又贵，一直是 AIGC 领域的老难题。如今，腾讯混元团队拿出了一种新的解法。

腾讯混元正式开源了全新的视频生成加速方案 DisCa，代码和模型权重均已对外提供。这项工作已被计算机视觉顶会 CVPR2026 收录，也是学界和业界首次在蒸馏后、少步模型上探索可学习特征缓存加速的尝试。

DisCa 的核心思路，是在已经完成蒸馏、推理步数很少的模型上，进一步压缩推理成本。传统特征缓存方法在多步生成模型上效果不错，但直接应用于少步蒸馏模型会带来较大的缓存误差，导致生成质量下降。DisCa 的破解之道是加入一个轻量级神经网络预测器，并通过对抗式训练，让预测器学会依据缓存特征更精准地预估后续特征的变化轨迹，从而在确保生成质量的前提下，将加速上限推进到 11.8 倍。

另一个值得关注的方向是 R-MeanFlow。MIT 何恺明团队提出的 MeanFlow 在图像生成上表现亮眼，但腾讯混元团队发现，直接用于更复杂的视频生成任务时，“一步生成”的目标过于激进，反而会给训练带来负面影响。他们给出的改法很直观：既然暂时不做一步生成，就把训练中过于激进的情形剪掉，把步长限制在合理区间。这个结论与 MIT 和谷歌团队的同期研究相互印证，相关做法已用于当前最佳开源视频生成模型 HunyuanVideo-1.5 的实际训练。

把这两个方向合起来看，DisCa 的价值不仅是一篇论文，更是在工程落地层面给出了一条可复现的路径。对需要大规模部署视频生成能力的团队而言，这套开源方案很值得深入研究。