# شتاب‌دهی مدل‌های انتشار تصویر و ویدئو با توجه ترکیبی تنک

> روش تازه‌ای برای توجه که به آموزش مجدد نیاز ندارد، زمان استنتاج را در دو ترنسفورمر انتشار تا ۱٫۵۷× کاهش می‌دهد، بدون آن‌که کیفیت افت کند.

Oossa · 2026-10-19 · https://oossa.com/fa/sink-sparse-hybrid-attention-speeds-up-text-to-image-and-video-diffusion-models

پژوهشگرانی به سرپرستی بینگ‌شین شینگ روش «توجه ترکیبی تنک با نقاط لنگر» (Sink‑Sparse Hybrid Attention) را معرفی کرده‌اند؛ روشی برای جایگزینی توجهِ خودیِ متراکم در ترنسفورمرهای انتشارِ ازپیش‌آموزش‌دیده، بدون نیاز به آموزش مجدد. این روش با استفاده از یک مجموعهٔ کالیبراسیون کوچک، «ماسک‌های لنگر» ایستا می‌سازد و یک شاخهٔ سبک مبتنی بر KV تجمیع‌شده به آن اضافه می‌کند. این روش تولید کامل را در مدل Wan2.1‑T2V‑1.3B به میزان ۱٫۵۴× و در Z‑Image‑Turbo به میزان ۱٫۵۷× سریع‌تر می‌کند، درحالی‌که کیفیت با مدل‌های اصلی قابل‌مقایسه است.

## حقایق

- مقاله در 16 Oct 2026 ارسال شد
- شتاب ۱٫۵۴× در Wan2.1‑T2V‑1.3B و ۱٫۵۷× در Z‑Image‑Turbo

## چرا مهم است

استنتاج سریع‌تر به توسعه‌دهندگان امکان می‌دهد تصویر یا ویدئو را با هزینهٔ کمتر تولید کنند؛ این موضوع می‌تواند هزینهٔ اپلیکیشن‌هایی را که به تولید محتوا از متن متکی‌اند کاهش دهد.

## منابع و ارجاع‌ها

1. [Sink-Sparse Hybrid Attention for Efficient Inference in T2I/T2V Diffusion Transformers](https://arxiv.org/abs/2610.22975) – arXiv cs.CV, 2026-10-19

آخرین به‌روزرسانی: 2026-10-19