Awesome-DiT-Inference

扩散模型的推理速度一直是部署时的大难题，生成一张高清图要等好几秒，更别提视频了。GitHub上的Awesome-DiT-Inference项目正是为解决这个痛点而生——它把近年来所有关于扩散模型推理加速的论文和代码一网打尽，像一本随时更新的“快速通关攻略”。不管你是搞采样的、做缓存的、做量化的还是搞并行的，都能在这里找到对应方向的最新进展。项目维护者还同步维护了大型语言模型的同类列表，覆盖很全。 这个项目的技术亮点在于它的系统性和时效性。它不光按采样、缓存、并行、量化、注意力优化等维度分类整理了论文，每个条目都附带了官方代码链接，真正实现了“论文+可复现代码”的一站式查找。尤其值得关注的是，它重点收录了Cache-DiT这类实用工具，后者已经迭代到v1.3.0，支持环状注意力、混合并行（如USP+TP）等高级特性，直接降低了大规模部署的门槛。项目还保持了极高的更新频率，2025年3月还在刷新，说明维护者紧跟社区前沿。 谁适合使用这个项目？如果你在做扩散模型的研究，想快速了解某个子方向的最新成果；或者你是AI应用工程师，正在优化图像/视频生成产品的推理效率；又或者你是学生，想通过代码学习加速技巧——那么这份列表就是你的宝典。上手难度几乎为零，因为它就是一个精心整理的收藏夹，不需要任何安装配置。你只需要有一定的深度学习基础，能读懂论文，并且会使用git和Python环境即可。项目遵循GPLv3.0开源协议，可以自由使用和贡献。总之，这是每个想用扩散模型干正事的开发者都应该收藏的项目，省去了大海捞针找论文和代码的麻烦。