ZEUS

Paper：ZEUS: Accelerating Diffusion Models with Only Second-Order Predictor

目前主流的免训练加速方法（如跳步或特征缓存）在高倍率加速（如超过2倍速）时，面临两个核心困境 ：

• 高阶预测器误差爆炸：像 TaylorSeer 等方法试图用高阶泰勒展开（）来预测被跳过的步骤，但在高倍率加速下，“真数据”极度匮乏，高阶预测依赖大量先前近似的“假数据”或遥远的历史数据，导致方差和误差指数级放大（过冲现象，产生严重伪影） 。
• 部署与内存开销沉重：现有的特征缓存（Feature Caching）方法需要层层缓存庞大的中间层激活张量，导致内存开销随模型深度暴增，在 14B 等视频大模型上极易跑满 GPU 显存 。

如何在不改变模型权重、不引入复杂架构修改、不增加显存负担（ 内存开销）的前提下，实现高倍数（）且画面不崩塌的稳定加速？

创新点 1：基于稀缺观测集的二阶局部预测器

作者指出，在高倍率跳步时，一个局部窗口内只有当前步 是刚算出来的“真数据” 。利用当前步的真实输出 加上它与前一步预测值 的后向差分，就组成了无须额外计算成本的“最小充分观测集” ：

将两者相加便推导出了核心的二阶外推预测公式，用于预测被跳过的步骤 ：

创新点2：避免误差放大的交错重用机制

如果连续跳过 个步骤（），若连续套用上述公式（链式外推），误差会线性放大导致轨迹崩塌（Predictor-only 的通病） 。ZEUS 巧妙地设计了一个周期为 2 的交错循环重用机制 ：

image.png