北大清华阿里开源 SparkDiffusion：单卡 265 倍视频生成加速

北大、清华、阿里、电子科大与哈工大的联合团队开源了 SparkDiffusion——据论文称是第一个把稀疏注意力、少步蒸馏与低精度量化组合进 DiT 视频生成的统一开源系统。在 RTX 5090 单卡、把 720P-14B 模型（Wan2.1/Wan2.2）推到 97% 稀疏度的最佳条件下，生成加速 265 倍：18 秒生成 5 秒视频，VBench-2.0 从 60.2 降到 59.77。论文、代码与权重全部开放。

事实部分

• 方法：RoLA 稀疏注意力（对照终端监督对齐）+ CrossDistill 轨迹级混合蒸馏（3 步、无 CFG 学生模型）+ FP8 量化。
• 加速数字（论文口径）：RTX 5090 单卡 720P-14B 在 97% 稀疏度下 265 倍（18 秒生成 5 秒视频）；90% 稀疏度为 201 倍；H100 为 220 倍（8 秒）；480P-1.3B 为 140 倍。
• 质量代价：VBench-2.0 从 60.2 到 59.77（-0.5）；论文承认 97% 稀疏度下质量「略有下降」。
• 核心发现：「高稀疏陷阱」——训练 loss 持续下降但极稀疏下生成质量坍塌，解法是把监督对齐到终端（RoLA + CrossDistill）。
• 开放情况：arXiv 2609.23153、代码 AlibabaResearch/SparkDiffusion、HF 权重均已发布；为未经同行评审的新预印本。

编辑判断

265 倍是最佳条件的上限数字，但即使按保守的 90% 稀疏度（201 倍），在消费级单卡上把 14B 视频模型从分钟级压进几十秒也是实打实的管线成本下降。给 Story-Flicks 这类图文转视频工具或自建视频管线的团队，值得在自己的模型与分辨率下重跑一组对照。注意基准是作者自己的测试框架，接入前先用自己的素材验质量。