这项由高通AI研究院开展的前沿研究发表于2025年，论文编号为arXiv:2601.04792v1。研究团队开发出一套名为PyramidalWan的创新技术，成功将现有的视频生成AI模型改造为"金字塔式"结构，实现了在保持视频质量不变的情况下大幅提升生成速度的突破。

当下的AI视频生成就像用放大镜一笔一划地绘制巨幅画作。每生成一段几秒钟的视频，AI都需要处理成千上万个细节点，从最微小的纹理到整体的运动轨迹，每个环节都要反复计算几十次。这种"精雕细琢"的方式虽然能产出高质量视频，但计算成本极其昂贵，让普通人很难享受到这项技术。

高通研究团队提出了一个巧妙的解决方案：既然人眼观看视频时会自然地先关注整体轮廓，再逐渐注意到细节，那为什么不让AI也采用这种"先粗后细"的生成策略呢？他们将传统的视频生成过程重新设计为三个层级的金字塔结构，就像建筑师先画草图、再画详图、最后完善细节一样。

这种金字塔式的处理方式带来了惊人的效率提升。原本需要消耗12,592 TFLOPs（万亿次浮点运算）的视频生成任务，现在只需要2,821 TFLOPs就能完成，计算量减少了78%。更令人惊喜的是，研究团队还进一步优化了这个过程，最终版本仅需要267 TFLOPs就能生成同等质量的视频，相当于将原始计算成本压缩到了2%。

一、从重装坦克到轻便跑车：重新设计AI的工作方式

传统的AI视频生成模型就像一辆重装坦克，威力强大但行动缓慢。它需要在每个时间点都处理完整的高清视频帧，即使是生成模糊的初始内容时也要动用全部计算资源。这种"大炮打蚊子"的做法虽然保证了质量，但效率极低。

高通团队的创新在于将这辆"重装坦克"改造成了一组协调工作的"轻便跑车"。他们设计的金字塔结构包含三个不同的处理层级：底层处理最粗糙的21×112×208像素内容，中层处理41×224×416像素的中等精度内容，顶层才处理最终的81×448×832像素高清内容。这种分工协作的方式让每个层级都能专注于自己最擅长的任务。

这个设计的巧妙之处在于充分利用了"频谱自回归"这一自然现象。简单来说，当我们给一张清晰的图片添加噪声时，高频细节（如纹理、边缘）会比低频信息（如整体形状、颜色）更快消失。就像在雾天看远山，我们先看到山的轮廓，随着雾气散去才能看清山上的树木和岩石。AI视频生成也遵循同样的规律：在生成过程的早期，模型主要需要确定大致的运动方向和整体结构，不需要纠结于细微的纹理细节。

基于这一洞察，研究团队重新设计了整个生成流程。在金字塔的最底层，AI首先用较少的计算资源在低分辨率下勾勒出视频的基本框架，确定主要物体的位置和运动趋势。接着，中层在稍高的分辨率下补充更多细节，细化物体的形状和运动轨迹。最后，顶层在最高分辨率下添加精细的纹理和细节，完成整个视频的生成。

这种分层处理的好处是显而易见的。底层和中层的计算成本很低，因为它们处理的像素数量相对较少。最耗费计算资源的高分辨率处理只在最后一个层级进行，而此时大部分"重活"已经在低分辨率下完成了。实测数据显示，金字塔结构中底层处理单帧仅需7.62毫秒，中层需要33.76毫秒，只有顶层需要631.77毫秒。这意味着整个金字塔结构的计算时间主要取决于顶层，而前两层几乎不增加总体耗时。

二、化腐朽为神奇：让老模型学会新技能

将现有的AI模型改造为金字塔结构并非易事，这就像要把一台传统汽车改装成混合动力车，既要保持原有的性能，又要添加全新的功能。高通团队面临的挑战是如何让已经训练好的Wan2.1-1.3B模型（一个拥有13亿参数的大型视频生成模型）学会这种新的工作方式。

研究团队采用了一种称为"微调"的技术来实现这一转换。微调就像给一位经验丰富的画家传授新的绘画技巧，不需要从零开始学习绘画，只需要学会如何在不同的画布尺寸上协调工作。具体来说，他们让原始模型学会在三种不同的分辨率下工作，并掌握如何在不同层级之间传递信息。

这个过程的技术核心是"金字塔流匹配损失函数"。听起来很复杂，但其实就像是一个评分标准，告诉AI在每个层级应该达到什么样的质量水准。这个评分标准考虑了两个方面：一是每个层级生成的内容要符合该层级的分辨率要求，二是不同层级之间要保持内容的一致性，不能出现底层画的是猫，顶层变成了狗的情况。

为了确保改造后的模型质量不下降，研究团队还引入了"知识蒸馏"技术。这就像让一位新手厨师跟着经验丰富的师傅学做菜，不仅要学会具体的操作步骤，还要让做出的菜品味道接近师傅的水准。在这里，原始的高性能模型充当"师傅"，新的金字塔模型充当"学徒"，通过对比学习来保证生成质量。

更有趣的是，研究团队发现了一个意外的现象：在某些情况下，金字塔模型生成的视频在语义一致性方面甚至超过了原始模型。这就像一个学徒在学习过程中不仅掌握了师傅的技艺，还在某些方面有所创新。这可能是因为金字塔结构迫使模型在早期就要做出更好的整体规划，从而提高了内容的逻辑连贯性。

整个微调过程相对高效，只需要在两块H100 GPU上训练5000次迭代，大约需要几个小时就能完成。相比从零开始训练一个新模型需要的数周甚至数月时间，这种改造方式的成本极低。这意味着现有的视频生成模型都有可能通过这种方式获得显著的性能提升，而不需要重新投入巨额的训练成本。

三、追求极致：从多步到少步的精进之路

仅仅实现金字塔结构还不够，高通团队继续推进，希望进一步减少视频生成所需的计算步骤。这就像从马拉松式的精细制作转向短跑式的高效生产，既要保持质量，又要追求速度的极限。

传统的AI视频生成需要经过数十个步骤的反复优化，每一步都要对整个视频进行微调。这个过程类似于雕刻师一刀一刀地精雕细琢，虽然能达到很高的艺术水准，但耗时极长。研究团队提出的"步数蒸馏"技术则像是培养一位能够一气呵成的快手艺人，用尽可能少的步骤达到同样的效果。

他们探索了两种主要的加速策略。第一种是"分布匹配蒸馏"，这种方法的核心思想是让快速模型学会模仿慢速模型的输出分布。就像让一个初学者通过观察大师的作品来快速掌握绘画技巧，不需要完全复制大师的每一个动作，只需要让最终作品达到相似的效果。

第二种是"对抗性蒸馏"，这种方法引入了一个"评判员"来区分快速模型和慢速模型的输出。快速模型的目标是生成能够"欺骗"评判员的高质量内容。这就像是一场艺术竞赛，快速模型努力创作出能够以假乱真的作品，而评判员则努力识别出差异。在这种竞争中，快速模型的能力得到快速提升。

研究团队发现，将这两种技术与金字塔结构相结合，能够实现更加出色的效果。最终优化的模型能够在2-2-1的调度方案下工作，即底层执行2步、中层执行2步、顶层执行1步，总共只需要5步就能完成原本需要50步的任务。这种极度精简的流程将总计算成本压缩到了原来的2%左右，同时保持了相当的视频质量。

特别值得注意的是，研究团队还开发了一种称为"金字塔补丁化流"的替代方案。这种方法不改变视频的分辨率，而是调整AI模型内部的"补丁大小"。就像使用不同粗细的画笔来绘制不同层次的细节，粗画笔快速勾勒轮廓，细画笔精心描绘细节。这种方法的优势是实现相对简单，不需要复杂的分辨率转换，但在有限的训练预算下，传统的金字塔方法效果更好。

四、实战检验：数据说话的成果展示

理论再完美也需要实践的检验。高通团队对他们的PyramidalWan模型进行了全面的性能评估，结果令人印象深刻。他们使用了VBench和VBench-2.0两套业界标准的评测工具，这些工具就像是视频生成领域的"考试系统"，从多个维度对生成视频的质量进行打分。

在综合质量评分方面，PyramidalWan模型在20-20-10的调度下（即三个层级分别执行20、20、10步）获得了82.83分，甚至略微超过了原始Wan模型50步生成的82.49分。这意味着新模型不仅速度提升了4.5倍，质量还有小幅改善。更令人惊喜的是，在语义一致性这一重要指标上，PyramidalWan得分为80.70，显著超过原始模型的78.57分。

当进一步压缩到极致的2-2-1调度时，PyramidalWan-DMD-PT*模型仍然能够保持82.72的综合得分，与原始模型相当。虽然在某些细分指标（如创造性和可控性）上有所下降，但考虑到计算成本减少了98%，这样的性能表现已经相当出色。

研究团队还进行了人工评估实验，邀请真人观众对生成的视频进行主观评判。在与原始Wan模型50步生成的视频对比中，29.1%的观众更喜欢PyramidalWan的输出，29.1%表示没有偏好，只有41.7%更喜欢原始模型。统计学分析显示，观众并不认为PyramidalWan的质量显著低于原始模型，这在计算成本大幅降低的背景下是一个非常积极的结果。

在与2步Wan-DMD模型的对比中，结果更加鼓舞人心：33.1%的观众更喜欢PyramidalWan，35.4%表示没有偏好，只有31.4%更喜欢基准模型。这表明在相似的计算预算下，金字塔结构确实能够带来更好的用户体验。

延迟测试的结果同样令人兴奋。PyramidalWan模型在2-2-1调度下的单次推理延迟为282毫秒，相比传统的2步生成模型仅慢13%，但比1步生成模型快了43%。这种性能平衡点对于实际应用来说非常有价值，既保证了生成速度，又维持了质量标准。

五、创新突破：理论贡献与技术扩展

除了实际的性能提升，这项研究还在理论层面做出了重要贡献。高通团队对原始PyramidalFlow框架中的分辨率转换操作进行了数学上的拓展，将其推广到了更广泛的正交变换类别。这听起来很抽象，但实际意义重大。

原始的方法只能使用简单的平均池化和最近邻插值来进行分辨率转换，就像只能用最基础的工具来调整图片大小。高通团队证明了可以使用更复杂的数学变换，比如小波变换，来实现更精细的分辨率调整。这就像从简单的放大镜升级到了高级的光学系统，能够更好地保持图像质量的同时改变大小。

这种理论扩展的价值在于为未来的研究开辟了新的可能性。研究人员可以探索各种不同的变换方法，找到最适合特定应用场景的分辨率调整策略。比如，对于注重纹理细节的应用可能更适合某种小波变换，而对于注重整体结构的应用可能适合另一种变换。

团队还深入研究了不同层级之间的噪声级别设计。他们发现，通过精心设计每个层级的"清洁"和"噪声"边界，可以确保不同层级之间的无缝衔接。这种设计就像是精心调配的音乐和声，每个声部都有自己的音域范围，但合在一起形成和谐的整体。

研究团队进行了详尽的消融实验，验证每个组件的作用。他们发现，去除知识蒸馏损失虽然能够略微提高某些指标，但会显著降低生成视频的动态程度。这表明知识蒸馏不仅保证了质量，还有助于维持视频的生动性。

另一个有趣的发现是，在定义不同层级的"清洁信号"时，在像素空间进行下采样比在潜在空间进行下采样效果更好。这个看似技术性的细节实际上对最终效果有显著影响，再次证明了细节在AI系统设计中的重要性。

六、面向未来：挑战与机遇并存

虽然取得了显著成果，但研究团队也坦诚地指出了当前方法的局限性。与传统的单步生成方法相比，PyramidalWan在某些定量指标上仍有差距，特别是在创造性和可控性方面。这就像一位快速画家虽然能够高效作画，但在某些艺术表现力方面可能不如慢工出细活的传统画家。

研究团队也发现，将金字塔补丁化流技术应用于视频生成比应用于图像生成更具挑战性。在相同的训练预算下，传统的金字塔分辨率方法表现更好。这可能是因为视频的时序复杂性增加了补丁化方法的难度，需要更多的训练数据和更长的训练时间才能达到理想效果。

尽管存在这些挑战，这项研究开辟的技术路径具有巨大的发展潜力。研究团队指出，他们的方法填补了一个重要的应用空白：能够在目标分辨率下进行单步生成的少步视频生成模型。这种能力对于实时应用和资源受限环境具有重要意义。

更重要的是，这种方法具有很好的通用性。研究团队证明了现有的预训练模型都可以通过相对简单的微调过程转换为金字塔结构，这意味着整个行业的已有投资都可以通过这种方式获得显著的效率提升。这种"向后兼容"的特性对于技术的实际部署和普及具有重要意义。

从更广阔的视角来看，这项研究代表了AI视频生成技术发展的一个重要方向：不再单纯追求更大的模型和更多的计算资源，而是通过更智能的架构设计来实现效率和质量的平衡。这种思路对于AI技术的可持续发展和普及具有深远意义。

说到底，高通AI研究院的这项工作就像给AI视频生成装上了"涡轮增压器"，在保持质量的前提下显著提升了速度。更令人兴奋的是，这不是一个孤立的技术突破，而是一个可以广泛应用的系统性解决方案。随着计算资源变得更加宝贵和环保意识的提升，这种高效的AI技术将会变得越来越重要。

对于普通用户而言，这意味着在不久的将来，我们可能会看到更快速、更便宜的AI视频生成服务。无论是社交媒体内容创作、教育视频制作，还是娱乐应用，都将从这种技术进步中受益。而对于AI研究领域来说，这项工作提供了一个很好的范例，展示了如何通过巧妙的系统设计来突破现有技术的瓶颈。有兴趣深入了解技术细节的读者可以通过论文编号arXiv:2601.04792v1查询完整的研究论文。

Q&A

Q1：PyramidalWan是什么？

A：PyramidalWan是高通AI研究院开发的新型视频生成技术，它将传统的AI视频生成模型改造为三层金字塔结构，先在低分辨率下生成视频框架，再逐层增加细节，最终实现计算成本降低78%而质量不下降的效果。

Q2：金字塔结构为什么能提高视频生成效率？

A：金字塔结构利用了人眼观察规律和频谱自回归原理，在生成早期只需要确定整体轮廓和运动方向，不需要处理细微纹理。通过分层处理，底层和中层消耗很少计算资源处理粗糙内容，只在最后的高分辨率层级进行精细处理，大幅减少了总体计算量。

Q3：普通人什么时候能用上这种快速视频生成技术？

A：这项技术主要面向企业和开发者，普通用户需要等待相关公司将这种技术集成到消费级产品中。不过考虑到这种方法可以让现有模型通过简单微调获得性能提升，预计在未来1-2年内我们就能在各种AI视频应用中体验到更快的生成速度。