**LVSA：面向长视频扩散模型的免训练稀疏注意力机制**

_LVSA: Training-Free Sparse Attention for Long Video Diffusion_

> 本文提出Long Video Sparse Attention (LVSA)，一种无需训练、模型无关的块稀疏注意力机制，专为视频扩散Transformer设计。它通过结构化窗口模式与旋转全局锚点相结合，消除了导致长程时间伪影的固定网格偏差。LVSA结合FlashInfer内核，在Wan 2.1 1.3B（6倍时域）、Wan 2.1 14B（6倍时域）和HunyuanVideo 1.5（1.5倍时域）上，相较于密集注意力分别实现了高达3.17倍、2.98倍和3.33倍的计算量减少。它不仅降低了计算成本，还使得HunyuanVideo 1.5能在单GPU上生成2倍时域的视频（否则会内存溢出）。在NPU上的应用也展示了显著的加速效果。为公平评估质量，作者引入了VQeval工具，用于正确评估循环视频失败问题。LVSA在训练时域长度下保持质量中性，在扩展时域下则提升了质量。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.31057)