DiT-Extrapolation

想制作超长视频或高清图像，却总被模型“长度限制”卡脖子？清华团队开源的DiT-Extrapolation项目，像是给视频生成模型打了个“补丁”，让它能轻松处理超出训练长度的内容，并且完全不收费！这个项目一口气端出了三份成果：RIFLEx（已入选ICML 2025）专门解决视频扩散Transformer的长度外推问题，UltraViCo（入选ICLR 2026）进一步把长视频生成能力升级，UltraImage则把同样的思路用在图像生成上，让Flux、Qwen-Image等模型也能直接产出超高分辨率图片。最妙的是，这三个方法全部是即插即用——你不用重新训练模型，只需要在推理时替换几行代码，就能让HunyuanVideo、CogVideoX、Wan2.1等主流工具“长出”更长的视频尾巴。 技术上的魔法在于它发现了“位置编码”的局限。传统扩散Transformer在训练时见过的序列长度有限，超长时位置表示会失真。RIFLEx通过巧妙的插值策略，让模型在推理时自动适配任意长度，相当于给位置编码加了“自适应缩放”，算力开销几乎为零（论文标题里就叫“Free Lunch”）。UltraViCo则在此基础上引入分块策略，把长视频切成重叠片段再融合，保证了画面连续不跳帧。而UltraImage直接用类似思路，让图像生成模型突破分辨率天花板。 说人话就是：以前你想让AI生成一段10秒的视频，它可能只能稳定产5秒，后面就开始“胡编乱造”；现在装上这个扩展包，同样一个模型能稳定输出更长的时间，甚至画面质量还能保持。对于做短视频、游戏特效、影视预演的团队来说，等于白捡一个“免费升级包”。新手也不用慌——项目代码完全开源，分成多个分支（RIFLEx、UltraViCo、UltraImage各有一个分支），依赖主流框架（diffusers、HuggingFace），懂点Python、会用命令行就能跑。你只需要下载预训练模型，再运行几行推理脚本，就能立刻体验到长视频生成的效果。社区已给出详细教程和Demo，连显卡配置要求都贴出来了，基本上RTX 3090级别的卡就能玩转，门槛真不算高。想低成本提升视频生成长度的朋友，这个仓库值得直接官网加星。