**Chimera：混合视觉扩散Transformer的架构设计与Chinchilla缩放**

_Chimera: Designing and Chinchilla-Scaling Hybrid Visual Diffusion Transformers_

> HuggingFace社区论文提出Chimera，一种结合Kimi Delta Attention、Multi-head Latent Attention和稀疏MoE层的混合视觉扩散模型。该架构无需位置嵌入即可处理文本、图像和视频，并通过HeteroP模块实现参数高效缩放。实验表明，11B参数的Chimera在计算效率上比Wan-2.1基线高7.3倍，且能零样本外推至30秒视频生成，为长上下文扩散模型奠定基础。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-31 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.28611)