# Atenção híbrida acelera modelos de difusão de texto para imagem e vídeo

> Um novo método de atenção que dispensa retreinamento reduz em até 1,57× o tempo de inferência em dois transformers de difusão, sem perda de qualidade.

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

Pesquisadores liderados por Bingxin Xing apresentaram a Sink‑Sparse Hybrid Attention, uma técnica que substitui a autoatenção densa em transformers de difusão pré-treinados sem retreiná-los. O método cria “máscaras sink” estáticas a partir de um pequeno conjunto de calibração e acrescenta um ramo leve de KV agrupado. No modelo Wan2.1‑T2V‑1.3B, acelera a geração de ponta a ponta em 1,54×; no Z‑Image‑Turbo, em 1,57×, mantendo qualidade comparável à dos modelos originais.

## Os fatos

- Artigo enviado em 16 Oct 2026
- Aceleração de 1,54× no Wan2.1‑T2V‑1.3B e de 1,57× no Z‑Image‑Turbo

## Por que importa

Uma inferência mais rápida permite que desenvolvedores gerem imagens ou vídeos a um custo menor, o que pode reduzir os gastos de aplicativos que dependem da geração de conteúdo a partir de texto.

## Fontes e referências

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

Última atualização: 2026-10-19