--- format: "aidr-story-markdown/v1" id: "e6f511c21193605dc62128495355d1b3c392bb0f2b5c9285bf16ae12d9b1f5c9" canonical_url: "https://aidr.today/e6f511c2?lang=vi" title: "CacheScope: Exact-Compute Allocation for Training-Free Diffusion Acceleration" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-12T04:00:00.000Z" category: "Research" topics: ["inference"] source_urls: ["https://arxiv.org/abs/2610.12530"] summary: "Việc tái sử dụng đặc trưng không cần huấn luyện tăng tốc suy diễn mô hình transformer lan tỏa bằng cách thay thế phép tính gỡ nhiễu đầy đủ bằng các xấp xỉ bộ nhớ đệm tại các bước được chọn. Các phương pháp hiện có chủ yếu cải thiện khả năng tái tạo của các đặc trưng bị bỏ qua, nhưng chúng tìm thấy rằng một khi một bộ tái tạo bậc nhất ổn định được sử dụng, việc tăng độ phức tạp tái tạo mang lại lợi ích hạn chế, trong khi việc đặt các bước tính toán chính xác có tác động lớn hơn nhiều đến độ trung thực. Điều quan trọng hơn, biến thể sond lắp xuống nông tuyệt đối cũng bị ảnh hưởng bởi sự dịch chuyển quỹ tích và độ mạnh phản hồi của mạng, do đó không phản ánh trực tiếp rủi ro bộ nhớ đệm. Chúng tôi giải quyết vấn đề này bằng cách chuẩn hóa biến thích ứng đầu ra sond với sự dịch chuyển đầu vào tương ứng, cho ra một lợi nhuận hướng theo mỗi đơn vị di chuyển quỹ tích. Dựa trên tín hiệu này, chúng tôi đề xuất CacheScope, xác định các bước tái sử dụng có rủi ro cao trực tuyến và chọn lọc quay lại tính toán gỡ nhiễu đầy đủ trong khi để nguyên bộ tái tạo bộ nhớ đệm nền tảo. CacheScope không yêu cầu thêm huấn luyện, gradient, mạng phụ trợ, hay tối ưu hóa lịch trình ngoại tuyến dành riêng cho p…" --- # CacheScope: Exact\-Compute Allocation for Training\-Free Diffusion Acceleration > [Open the canonical story]() **Published:** 2026-10-12T04:00:00.000Z **Category:** Research **Topics:** inference ## Summary Việc tái sử dụng đặc trưng không cần huấn luyện tăng tốc suy diễn mô hình transformer lan tỏa bằng cách thay thế phép tính gỡ nhiễu đầy đủ bằng các xấp xỉ bộ nhớ đệm tại các bước được chọn\. Các phương pháp hiện có chủ yếu cải thiện khả năng tái tạo của các đặc trưng bị bỏ qua, nhưng chúng tìm thấy rằng một khi một bộ tái tạo bậc nhất ổn định được sử dụng, việc tăng độ phức tạp tái tạo mang lại lợi ích hạn chế, trong khi việc đặt các bước tính toán chính xác có tác động lớn hơn nhiều đến độ trung thực\. Điều quan trọng hơn, biến thể sond lắp xuống nông tuyệt đối cũng bị ảnh hưởng bởi sự dịch chuyển quỹ tích và độ mạnh phản hồi của mạng, do đó không phản ánh trực tiếp rủi ro bộ nhớ đệm\. Chúng tôi giải quyết vấn đề này bằng cách chuẩn hóa biến thích ứng đầu ra sond với sự dịch chuyển đầu vào tương ứng, cho ra một lợi nhuận hướng theo mỗi đơn vị di chuyển quỹ tích\. Dựa trên tín hiệu này, chúng tôi đề xuất CacheScope, xác định các bước tái sử dụng có rủi ro cao trực tuyến và chọn lọc quay lại tính toán gỡ nhiễu đầy đủ trong khi để nguyên bộ tái tạo bộ nhớ đệm nền tảo\. CacheScope không yêu cầu thêm huấn luyện, gradient, mạng phụ trợ, hay tối ưu hóa lịch trình ngoại tuyến dành riêng cho p… ## Sources - [Story source]()