# Sink-Sparse Hybrid Attention accelera i modelli di diffusione

> Un nuovo metodo di attenzione, senza riaddestramento, riduce fino a 1,57× i tempi di inferenza su due transformer di diffusione senza compromettere la qualità.

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

Un gruppo di ricercatori guidato da Bingxin Xing ha presentato Sink-Sparse Hybrid Attention, un metodo che sostituisce l’attenzione densa nei transformer di diffusione preaddestrati senza doverli riaddestrare. La tecnica crea «maschere sink» statiche a partire da un piccolo insieme di calibrazione e aggiunge un leggero ramo KV con pooling. Sul modello Wan2.1‑T2V‑1.3B accelera la generazione end-to-end di 1,54×, mentre su Z‑Image‑Turbo il miglioramento è di 1,57×, con una qualità paragonabile a quella dei modelli originali.

## I fatti

- Articolo presentato il 16 Oct 2026
- Accelerazione di 1,54× su Wan2.1‑T2V‑1.3B e di 1,57× su Z‑Image‑Turbo

## Perché conta

Un’inferenza più rapida permette agli sviluppatori di generare immagini o video a costi inferiori, riducendo le spese delle app che si basano sulla generazione di contenuti da testo.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-10-19