**Prism:面向原生2K视频音频联合生成的动态稀疏注意力框架** _Prism: Dynamic Sparse Attention for Native
原帖
**Prism:面向原生2K视频音频联合生成的动态稀疏注意力框架**
_Prism: Dynamic Sparse Attention for Native 2K Joint Video-Audio Generation Model Training_
> HuggingFace社区热门论文提出Prism框架,旨在解决高分辨率视频音频联合生成模型训练中全注意力机制的二次方计算成本及信号稀释问题。该方法通过时空宏观分区,结合视频特征方差与音频-视频交叉注意力范数,动态调整块形状并采用混合块选择策略,实现语义一致的稀疏注意力。实验表明,Prism在2K分辨率下实现了2.5倍的训练加速,且生成质量优于全注意力基线。
**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-06 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2610.05416)