[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ali-vilab--TeaCache":3,"tool-ali-vilab--TeaCache":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",153609,2,"2026-04-13T11:34:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":74,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":86,"difficulty_score":10,"env_os":87,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":98,"github_topics":100,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":112},7217,"ali-vilab\u002FTeaCache","TeaCache","Timestep Embedding Tells: It's Time to Cache for Video Diffusion Model","TeaCache 是一款专为扩散模型设计的加速推理工具，尤其适用于视频、图像及音频生成任务。它核心解决了扩散模型在生成过程中计算量大、推理速度慢的痛点。传统方法往往需要重新训练模型或调整架构才能提升速度，而 TeaCache 创新地提出了一种“无需训练”的缓存策略。\n\n其独特技术亮点在于敏锐地捕捉并利用“时间步嵌入（Timestep Embedding）”信息。TeaCache 发现模型在不同时间步的输出存在波动差异，通过智能估算这些变化，它能自动判断何时可以复用之前的计算结果（即“缓存”），从而大幅减少冗余计算。这种机制就像在制作动画时，对于变化微小的帧直接沿用上一帧的数据，仅在关键变化时刻进行精细计算，既保证了生成质量，又显著提升了运行效率。\n\n这款工具非常适合 AI 研究人员、开发者以及需要高效部署生成式模型的技术团队使用。对于希望在不牺牲画质前提下加快视频生成速度，或在资源受限设备上运行大型扩散模型的用户来说，TeaCache 提供了一个轻量级且高效的解决方案。作为 CVPR 2025 的亮点成果，它以极简的集成方式，让现有的扩散模型瞬间“提速”，是优化生成式 AI 工作流的得","TeaCache 是一款专为扩散模型设计的加速推理工具，尤其适用于视频、图像及音频生成任务。它核心解决了扩散模型在生成过程中计算量大、推理速度慢的痛点。传统方法往往需要重新训练模型或调整架构才能提升速度，而 TeaCache 创新地提出了一种“无需训练”的缓存策略。\n\n其独特技术亮点在于敏锐地捕捉并利用“时间步嵌入（Timestep Embedding）”信息。TeaCache 发现模型在不同时间步的输出存在波动差异，通过智能估算这些变化，它能自动判断何时可以复用之前的计算结果（即“缓存”），从而大幅减少冗余计算。这种机制就像在制作动画时，对于变化微小的帧直接沿用上一帧的数据，仅在关键变化时刻进行精细计算，既保证了生成质量，又显著提升了运行效率。\n\n这款工具非常适合 AI 研究人员、开发者以及需要高效部署生成式模型的技术团队使用。对于希望在不牺牲画质前提下加快视频生成速度，或在资源受限设备上运行大型扩散模型的用户来说，TeaCache 提供了一个轻量级且高效的解决方案。作为 CVPR 2025 的亮点成果，它以极简的集成方式，让现有的扩散模型瞬间“提速”，是优化生成式 AI 工作流的得力助手。","# [CVPR 2025 Highlight] Timestep Embedding Tells: It's Time to Cache for Video Diffusion Model\n\n\u003Cdiv class=\"is-size-5 publication-authors\", align=\"center\",>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fliewfeng.github.io\" target=\"_blank\">Feng Liu\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>\u003Csup>*\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com.hk\u002Fcitations?user=ZO3OQ-8AAAAJ\" target=\"_blank\">Shiwei Zhang\u003C\u002Fa>\u003Csup>2\u003C\u002Fsup>\u003Csup>†\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fjeffwang987.github.io\" target=\"_blank\">Xiaofeng Wang\u003C\u002Fa>\u003Csup>1,3\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fweilllllls.github.io\" target=\"_blank\">Yujie Wei\u003C\u002Fa>\u003Csup>4\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"http:\u002F\u002Fhaonanqiu.com\" target=\"_blank\">Haonan Qiu\u003C\u002Fa>\u003Csup>5\u003C\u002Fsup>\n            \u003C\u002Fspan>\n            \u003Cbr>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fcallsys.github.io\u002Fzhaoyuzhong.github.io-main\" target=\"_blank\">Yuzhong Zhao\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com.sg\u002Fcitations?user=16RDSEUAAAAJ\" target=\"_blank\">Yingya Zhang\u003C\u002Fa>\u003Csup>2\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=tjEfgsEAAAAJ&hl=en&oi=ao\" target=\"_blank\">Qixiang Ye\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=0IKavloAAAAJ&hl=en&oi=ao\" target=\"_blank\">Fang Wan\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>\u003Csup>‡\u003C\u002Fsup>\n            \u003C\u002Fspan>\n          \u003C\u002Fdiv>\n\n\u003Cdiv class=\"is-size-5 publication-authors\", align=\"center\">\n            \u003Cspan class=\"author-block\">\u003Csup>1\u003C\u002Fsup>University of Chinese Academy of Sciences, \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\u003Csup>2\u003C\u002Fsup>Alibaba Group\u003C\u002Fspan>\n            \u003Cbr>\n            \u003Cspan class=\"author-block\">\u003Csup>3\u003C\u002Fsup>Institute of Automation, Chinese Academy of Sciences\u003C\u002Fspan>\n            \u003Cbr>\n            \u003Cspan class=\"author-block\">\u003Csup>4\u003C\u002Fsup>Fudan University, \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\u003Csup>5\u003C\u002Fsup>Nanyang Technological University\u003C\u002Fspan>\n          \u003C\u002Fdiv>\n\n\n\u003Cdiv class=\"is-size-5 publication-authors\", align=\"center\">\n            (* Work was done during internship at Alibaba Group. † Project Leader. ‡ CorresCorresponding author.)\n          \u003C\u002Fdiv>\n\n\u003Ch5 align=\"center\">\n\n[![hf_paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗-Paper%20In%20HF-red.svg)](https:\u002F\u002Fhuggingface.co\u002Fpapers\u002F2411.19108)\n[![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FArxiv-2411.19108-b31b1b.svg?logo=arXiv)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.19108) \n[![Home Page](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject-\u003CWebsite>-blue.svg)](https:\u002F\u002Fliewfeng.github.io\u002FTeaCache\u002F) \n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-yellow)](.\u002FLICENSE) \n[![github](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FLiewFeng\u002FTeaCache.svg?style=social)](https:\u002F\u002Fgithub.com\u002FLiewFeng\u002FTeaCache\u002F)\n\n\u003C\u002Fh5>\n\n\n![visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fali-vilab_TeaCache_readme_bca823ad898d.png)\n\n## 🫖 Introduction \nWe introduce Timestep Embedding Aware Cache (TeaCache), a training-free caching approach that estimates and leverages the fluctuating differences among model outputs across timesteps, thereby accelerating the inference. TeaCache works well for Video Diffusion Models, Image Diffusion models and Audio Diffusion Models. For more details and results, please visit our [project page](https:\u002F\u002Fliewfeng.github.io\u002FTeaCache\u002F).\n\n## 🔥 Latest News \n- **If you like our project, please give us a star ⭐ on GitHub for the latest update.**\n- [2025\u002F06\u002F08] 🔥 Update coefficients of [Lumina-Image-2.0](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-Image-2.0). Thanks [@spawner1145](https:\u002F\u002Fgithub.com\u002Fspawner1145).\n- [2025\u002F05\u002F26] 🔥 Support [Lumina-Image-2.0](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-Image-2.0). Thanks [@spawner1145](https:\u002F\u002Fgithub.com\u002Fspawner1145). \n- [2025\u002F05\u002F25] 🔥 Support [HiDream-I1](https:\u002F\u002Fgithub.com\u002FHiDream-ai\u002FHiDream-I1). Thanks [@YunjieYu](https:\u002F\u002Fgithub.com\u002FYunjieYu). \n- [2025\u002F04\u002F14] 🔥 Update coefficients of [CogVideoX1.5](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FCogVideo). Thanks [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap).\n- [2025\u002F04\u002F05] 🎉 Recommended as a **highlight** in CVPR 2025, top 16.8% in accepted papers and top 3.7% in all papers.\n- [2025\u002F03\u002F13] 🔥 Optimized TeaCache for [Wan2.1](https:\u002F\u002Fgithub.com\u002FWan-Video\u002FWan2.1). Thanks [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap).\n- [2025\u002F03\u002F05] 🔥 Support [Wan2.1](https:\u002F\u002Fgithub.com\u002FWan-Video\u002FWan2.1) for both T2V and I2V.\n- [2025\u002F02\u002F27] 🎉 Accepted in **CVPR 2025**.\n- [2025\u002F01\u002F24] 🔥 Support [Cosmos](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FCosmos) for both T2V and I2V. Thanks [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap). \n- [2025\u002F01\u002F20] 🔥 Support [CogVideoX1.5-5B](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FCogVideo) for both T2V and I2V. Thanks [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap). \n- [2025\u002F01\u002F07] 🔥 Support [TangoFlux](https:\u002F\u002Fgithub.com\u002Fdeclare-lab\u002FTangoFlux). TeaCache works well for Audio Diffusion Models!\n- [2024\u002F12\u002F30] 🔥 Support [Mochi](https:\u002F\u002Fgithub.com\u002Fgenmoai\u002Fmochi) and [LTX-Video](https:\u002F\u002Fgithub.com\u002FLightricks\u002FLTX-Video) for Video Diffusion Models. Support [Lumina-T2X](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-T2X) for Image Diffusion Models.\n- [2024\u002F12\u002F27] 🔥 Support [FLUX](https:\u002F\u002Fgithub.com\u002Fblack-forest-labs\u002Fflux). TeaCache works well for Image Diffusion Models!\n- [2024\u002F12\u002F26] 🔥 Support [ConsisID](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FConsisID). Thanks [@SHYuanBest](https:\u002F\u002Fgithub.com\u002FSHYuanBest). \n- [2024\u002F12\u002F24] 🔥 Support [HunyuanVideo](https:\u002F\u002Fgithub.com\u002FTencent\u002FHunyuanVideo).\n- [2024\u002F12\u002F19] 🔥 Support [CogVideoX](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FCogVideo).\n- [2024\u002F12\u002F06] 🎉 Release the [code](https:\u002F\u002Fgithub.com\u002FLiewFeng\u002FTeaCache) of TeaCache. Support [Open-Sora](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FOpen-Sora), [Open-Sora-Plan](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FOpen-Sora-Plan) and [Latte](https:\u002F\u002Fgithub.com\u002FVchitect\u002FLatte).\n- [2024\u002F11\u002F28] 🎉 Release the [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.19108) of TeaCache.\n\n## 🧩 Community Contributions  \nIf you develop\u002Fuse TeaCache in your projects and you would like more people to see it, please inform us.(liufeng20@mails.ucas.ac.cn)\n\n**Model**\n- [FramePack](https:\u002F\u002Fgithub.com\u002Flllyasviel\u002FFramePack) supports TeaCache. Thanks [@lllyasviel](https:\u002F\u002Fgithub.com\u002Flllyasviel).\n- [FastVideo](https:\u002F\u002Fgithub.com\u002Fhao-ai-lab\u002FFastVideo) supports TeaCache. Thanks [@BrianChen1129](https:\u002F\u002Fgithub.com\u002FBrianChen1129) and [@jzhang38](https:\u002F\u002Fgithub.com\u002Fjzhang38).\n- [EasyAnimate](https:\u002F\u002Fgithub.com\u002Faigc-apps\u002FEasyAnimate) supports TeaCache. Thanks [@hkunzhe](https:\u002F\u002Fgithub.com\u002Fhkunzhe) and [@bubbliiiing](https:\u002F\u002Fgithub.com\u002Fbubbliiiing).\n- [Ruyi-Models](https:\u002F\u002Fgithub.com\u002FIamCreateAI\u002FRuyi-Models) supports TeaCache. Thanks [@cellzero](https:\u002F\u002Fgithub.com\u002Fcellzero).\n- [ConsisID](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FConsisID) supports TeaCache. Thanks [@SHYuanBest](https:\u002F\u002Fgithub.com\u002FSHYuanBest).\n\n**ComfyUI**\n- [ComfyUI-TeaCache](https:\u002F\u002Fgithub.com\u002Fwelltop-cn\u002FComfyUI-TeaCache) for TeaCache. Thanks [@YunjieYu](https:\u002F\u002Fgithub.com\u002FYunjieYu).\n- [ComfyUI-WanVideoWrapper](https:\u002F\u002Fgithub.com\u002Fkijai\u002FComfyUI-WanVideoWrapper) supports TeaCache4Wan2.1. Thanks [@kijai](https:\u002F\u002Fgithub.com\u002Fkijai).\n- [ComfyUI-TangoFlux](https:\u002F\u002Fgithub.com\u002FLucipherDev\u002FComfyUI-TangoFlux) supports TeaCache. Thanks [@LucipherDev](https:\u002F\u002Fgithub.com\u002FLucipherDev).\n- [ComfyUI_Patches_ll](https:\u002F\u002Fgithub.com\u002Flldacing\u002FComfyUI_Patches_ll) supports TeaCache. Thanks [@lldacing](https:\u002F\u002Fgithub.com\u002Flldacing).\n- [Comfyui_TTP_Toolset](https:\u002F\u002Fgithub.com\u002FTTPlanetPig\u002FComfyui_TTP_Toolset) supports TeaCache. Thanks [@TTPlanetPig](https:\u002F\u002Fgithub.com\u002FTTPlanetPig).\n- [ComfyUI-TeaCacheHunyuanVideo](https:\u002F\u002Fgithub.com\u002Ffacok\u002FComfyUI-TeaCacheHunyuanVideo) for TeaCache4HunyuanVideo. Thanks [@facok](https:\u002F\u002Fgithub.com\u002Ffacok).\n- [ComfyUI-HunyuanVideoWrapper](https:\u002F\u002Fgithub.com\u002Fkijai\u002FComfyUI-HunyuanVideoWrapper) supports TeaCache4HunyuanVideo. Thanks [@kijai](https:\u002F\u002Fgithub.com\u002Fkijai), [ctf05](https:\u002F\u002Fgithub.com\u002Fctf05) and [DarioFT](https:\u002F\u002Fgithub.com\u002FDarioFT).\n\n\n**Parallelism**\n- [Teacache-xDiT](https:\u002F\u002Fgithub.com\u002FMingXiangL\u002FTeacache-xDiT) for multi-gpu inference. Thanks [@MingXiangL](https:\u002F\u002Fgithub.com\u002FMingXiangL).\n\n**Engine**\n- [SD.Next](https:\u002F\u002Fgithub.com\u002Fvladmandic\u002Fsdnext) supports TeaCache. Thanks [@vladmandic](https:\u002F\u002Fgithub.com\u002Fvladmandic).\n- [DiffSynth Studio](https:\u002F\u002Fgithub.com\u002Fmodelscope\u002FDiffSynth-Studio) supports TeaCache. Thanks [@Artiprocher](https:\u002F\u002Fgithub.com\u002FArtiprocher).\n  \n## 🎉 Supported Models \n**Text to Video**\n- [TeaCache4Wan2.1](.\u002FTeaCache4Wan2.1\u002FREADME.md)\n- [TeaCache4Cosmos](.\u002Feval\u002FTeaCache4Cosmos\u002FREADME.md)\n- [TeaCache4CogVideoX1.5](.\u002FTeaCache4CogVideoX1.5\u002FREADME.md)\n- [TeaCache4LTX-Video](.\u002FTeaCache4LTX-Video\u002FREADME.md)\n- [TeaCache4Mochi](.\u002FTeaCache4Mochi\u002FREADME.md)\n- [TeaCache4HunyuanVideo](.\u002FTeaCache4HunyuanVideo\u002FREADME.md)\n- [TeaCache4CogVideoX](.\u002Feval\u002Fteacache\u002FREADME.md)\n- [TeaCache4Open-Sora](.\u002Feval\u002Fteacache\u002FREADME.md)\n- [TeaCache4Open-Sora-Plan](.\u002Feval\u002Fteacache\u002FREADME.md)\n- [TeaCache4Latte](.\u002Feval\u002Fteacache\u002FREADME.md)\n\n **Image to Video** \n- [TeaCache4Wan2.1](.\u002FTeaCache4Wan2.1\u002FREADME.md)\n- [TeaCache4Cosmos](.\u002Feval\u002FTeaCache4Cosmos\u002FREADME.md)\n- [TeaCache4CogVideoX1.5](.\u002FTeaCache4CogVideoX1.5\u002FREADME.md)\n- [TeaCache4ConsisID](.\u002FTeaCache4ConsisID\u002FREADME.md)\n\n **Text to Image**\n- [TeaCache4Lumina2](.\u002FTeaCache4Lumina2\u002FREADME.md)\n- [TeaCache4HiDream-I1](.\u002FTeaCache4HiDream-I1\u002FREADME.md)\n- [TeaCache4FLUX](.\u002FTeaCache4FLUX\u002FREADME.md)\n- [TeaCache4Lumina-T2X](.\u002FTeaCache4Lumina-T2X\u002FREADME.md)\n\n **Text to Audio**\n- [TeaCache4TangoFlux](.\u002FTeaCache4TangoFlux\u002FREADME.md)\n\n## 🤖 Instructions for Supporting Other Models \n- **Welcome for PRs to support other models.**\n- If the custom model is based on or has similar model structure to the models we've supported, you can try to directly transfer TeaCache to the custom model. For example,  rescaling coefficients for CogVideoX-5B can be directly applied to CogVideoX1.5, ConsisID and rescaling coefficients for FLUX can be directly applied to TangoFlux.\n- Otherwise, you can refer to these successful attempts, e.g., [1](https:\u002F\u002Fgithub.com\u002Fali-vilab\u002FTeaCache\u002Fissues\u002F20), [2](https:\u002F\u002Fgithub.com\u002Fali-vilab\u002FTeaCache\u002Fissues\u002F18).\n\n## 💐 Acknowledgement \n\nThis repository is built based on [VideoSys](https:\u002F\u002Fgithub.com\u002FNUS-HPC-AI-Lab\u002FVideoSys), [Diffusers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusers), [Open-Sora](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FOpen-Sora), [Open-Sora-Plan](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FOpen-Sora-Plan), [Latte](https:\u002F\u002Fgithub.com\u002FVchitect\u002FLatte), [CogVideoX](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FCogVideo), [HunyuanVideo](https:\u002F\u002Fgithub.com\u002FTencent\u002FHunyuanVideo), [ConsisID](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FConsisID), [FLUX](https:\u002F\u002Fgithub.com\u002Fblack-forest-labs\u002Fflux), [Mochi](https:\u002F\u002Fgithub.com\u002Fgenmoai\u002Fmochi), [LTX-Video](https:\u002F\u002Fgithub.com\u002FLightricks\u002FLTX-Video), [Lumina-T2X](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-T2X), [TangoFlux](https:\u002F\u002Fgithub.com\u002Fdeclare-lab\u002FTangoFlux), [Cosmos](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FCosmos), [Wan2.1](https:\u002F\u002Fgithub.com\u002FWan-Video\u002FWan2.1), [HiDream-I1](https:\u002F\u002Fgithub.com\u002FHiDream-ai\u002FHiDream-I1) and [Lumina-Image-2.0](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-Image-2.0). Thanks for their contributions!\n\n## 🔒 License \n\n* The majority of this project is released under the Apache 2.0 license as found in the [LICENSE](.\u002FLICENSE) file.\n* For [VideoSys](https:\u002F\u002Fgithub.com\u002FNUS-HPC-AI-Lab\u002FVideoSys), [Diffusers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusers), [Open-Sora](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FOpen-Sora), [Open-Sora-Plan](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FOpen-Sora-Plan), [Latte](https:\u002F\u002Fgithub.com\u002FVchitect\u002FLatte), [CogVideoX](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FCogVideo), [HunyuanVideo](https:\u002F\u002Fgithub.com\u002FTencent\u002FHunyuanVideo), [ConsisID](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FConsisID), [FLUX](https:\u002F\u002Fgithub.com\u002Fblack-forest-labs\u002Fflux), [Mochi](https:\u002F\u002Fgithub.com\u002Fgenmoai\u002Fmochi), [LTX-Video](https:\u002F\u002Fgithub.com\u002FLightricks\u002FLTX-Video), [Lumina-T2X](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-T2X), [TangoFlux](https:\u002F\u002Fgithub.com\u002Fdeclare-lab\u002FTangoFlux), [Cosmos](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FCosmos), [Wan2.1](https:\u002F\u002Fgithub.com\u002FWan-Video\u002FWan2.1), [HiDream-I1](https:\u002F\u002Fgithub.com\u002FHiDream-ai\u002FHiDream-I1) and [Lumina-Image-2.0](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-Image-2.0), please follow their LICENSE.\n* The service is a research preview. Please contact us if you find any potential violations. (liufeng20@mails.ucas.ac.cn)\n\n## 📖 Citation \nIf you find TeaCache is useful in your research or applications, please consider giving us a star ⭐ and citing it by the following BibTeX entry.\n\n```\n@article{liu2024timestep,\n  title={Timestep Embedding Tells: It's Time to Cache for Video Diffusion Model},\n  author={Liu, Feng and Zhang, Shiwei and Wang, Xiaofeng and Wei, Yujie and Qiu, Haonan and Zhao, Yuzhong and Zhang, Yingya and Ye, Qixiang and Wan, Fang},\n  journal={arXiv preprint arXiv:2411.19108},\n  year={2024}\n}\n```\n\n\n","# 【CVPR 2025 精选】时间步嵌入揭示：是时候为视频扩散模型启用缓存了\n\n\u003Cdiv class=\"is-size-5 publication-authors\", align=\"center\",>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fliewfeng.github.io\" target=\"_blank\">刘峰\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>\u003Csup>*\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com.hk\u002Fcitations?user=ZO3OQ-8AAAAJ\" target=\"_blank\">张士伟\u003C\u002Fa>\u003Csup>2\u003C\u002Fsup>\u003Csup>†\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fjeffwang987.github.io\" target=\"_blank\">王晓峰\u003C\u002Fa>\u003Csup>1,3\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fweilllllls.github.io\" target=\"_blank\">魏宇杰\u003C\u002Fa>\u003Csup>4\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"http:\u002F\u002Fhaonanqiu.com\" target=\"_blank\">邱浩楠\u003C\u002Fa>\u003Csup>5\u003C\u002Fsup>\n            \u003C\u002Fspan>\n            \u003Cbr>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fcallsys.github.io\u002Fzhaoyuzhong.github.io-main\" target=\"_blank\">赵宇中\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com.sg\u002Fcitations?user=16RDSEUAAAAJ\" target=\"_blank\">张英雅\u003C\u002Fa>\u003Csup>2\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=tjEfgsEAAAAJ&hl=en&oi=ao\" target=\"_blank\">叶启翔\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>, \n            \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\n              \u003Ca href=\"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=0IKavloAAAAJ&hl=en&oi=ao\" target=\"_blank\">万芳\u003C\u002Fa>\u003Csup>1\u003C\u002Fsup>\u003Csup>‡\u003C\u002Fsup>\n            \u003C\u002Fspan>\n          \u003C\u002Fdiv>\n\n\u003Cdiv class=\"is-size-5 publication-authors\", align=\"center\">\n            \u003Cspan class=\"author-block\">\u003Csup>1\u003C\u002Fsup>中国科学院大学, \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\u003Csup>2\u003C\u002Fsup>阿里巴巴集团\u003C\u002Fspan>\n            \u003Cbr>\n            \u003Cspan class=\"author-block\">\u003Csup>3\u003C\u002Fsup>中国科学院自动化研究所\u003C\u002Fspan>\n            \u003Cbr>\n            \u003Cspan class=\"author-block\">\u003Csup>4\u003C\u002Fsup>复旦大学, \u003C\u002Fspan>\n            \u003Cspan class=\"author-block\">\u003Csup>5\u003C\u002Fsup>南洋理工大学\u003C\u002Fspan>\n          \u003C\u002Fdiv>\n\n\n\u003Cdiv class=\"is-size-5 publication-authors\", align=\"center\">\n            (* 工作期间在阿里巴巴集团实习完成。† 项目负责人。‡ 通讯作者。)\n          \u003C\u002Fdiv>\n\n\u003Ch5 align=\"center\">\n\n[![hf_paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗-Paper%20In%20HF-red.svg)](https:\u002F\u002Fhuggingface.co\u002Fpapers\u002F2411.19108)\n[![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FArxiv-2411.19108-b31b1b.svg?logo=arXiv)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.19108) \n[![首页](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject-\u003CWebsite>-blue.svg)](https:\u002F\u002Fliewfeng.github.io\u002FTeaCache\u002F) \n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-yellow.svg)](.\u002FLICENSE) \n[![github](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FLiewFeng\u002FTeaCache.svg?style=social)](https:\u002F\u002Fgithub.com\u002FLiewFeng\u002FTeaCache\u002F)\n\n\u003C\u002Fh5>\n\n\n![可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fali-vilab_TeaCache_readme_bca823ad898d.png)\n\n## 🫖 引言 \n我们提出了时间步嵌入感知缓存（TeaCache），这是一种无需训练的缓存方法，通过估计并利用模型输出在不同时间步之间的波动差异，从而加速推理过程。TeaCache适用于视频扩散模型、图像扩散模型和音频扩散模型。更多细节和实验结果，请访问我们的[项目页面](https:\u002F\u002Fliewfeng.github.io\u002FTeaCache\u002F)。\n\n## 🔥 最新消息 \n- **如果您喜欢我们的项目，请在 GitHub 上为我们点亮一颗星 ⭐，以获取最新动态。**\n- [2025\u002F06\u002F08] 🔥 更新了【Lumina-Image-2.0】的系数。感谢 [@spawner1145](https:\u002F\u002Fgithub.com\u002Fspawner1145)。\n- [2025\u002F05\u002F26] 🔥 支持【Lumina-Image-2.0】。感谢 [@spawner1145](https:\u002F\u002Fgithub.com\u002Fspawner1145)。\n- [2025\u002F05\u002F25] 🔥 支持【HiDream-I1】。感谢 [@YunjieYu](https:\u002F\u002Fgithub.com\u002FYunjieYu)。\n- [2025\u002F04\u002F14] 🔥 更新了【CogVideoX1.5】的系数。感谢 [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap)。\n- [2025\u002F04\u002F05] 🎉 被推荐为 CVPR 2025 的**亮点**，在所有接受论文中排名前 3.7%，在入选论文中排名前 16.8%。\n- [2025\u002F03\u002F13] 🔥 针对【Wan2.1】优化了 TeaCache。感谢 [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap)。\n- [2025\u002F03\u002F05] 🔥 同时支持【Wan2.1】的 T2V 和 I2V 模式。\n- [2025\u002F02\u002F27] 🎉 被**CVPR 2025**正式接收。\n- [2025\u002F01\u002F24] 🔥 同时支持【Cosmos】的 T2V 和 I2V 模式。感谢 [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap)。\n- [2025\u002F01\u002F20] 🔥 同时支持【CogVideoX1.5-5B】的 T2V 和 I2V 模式。感谢 [@zishen-ucap](https:\u002F\u002Fgithub.com\u002Fzishen-ucap)。\n- [2025\u002F01\u002F07] 🔥 支持【TangoFlux】。TeaCache在音频扩散模型上同样表现出色！\n- [2024\u002F12\u002F30] 🔥 支持【Mochi】和【LTX-Video】用于视频扩散模型；同时支持【Lumina-T2X】用于图像扩散模型。\n- [2024\u002F12\u002F27] 🔥 支持【FLUX】。TeaCache在图像扩散模型上表现优异！\n- [2024\u002F12\u002F26] 🔥 支持【ConsisID】。感谢 [@SHYuanBest](https:\u002F\u002Fgithub.com\u002FSHYuanBest)。\n- [2024\u002F12\u002F24] 🔥 支持【HunyuanVideo】。\n- [2024\u002F12\u002F19] 🔥 支持【CogVideoX】。\n- [2024\u002F12\u002F06] 🎉 发布了 TeaCache 的【代码】，支持【Open-Sora】、【Open-Sora-Plan】和【Latte】。\n- [2024\u002F11\u002F28] 🎉 发布了 TeaCache 的【论文】，发表于 arXiv。\n\n## 🧩 社区贡献  \n如果您在项目中开发或使用了 TeaCache，并希望让更多人了解它，请告知我们。（liufeng20@mails.ucas.ac.cn）\n\n**模型**\n- [FramePack](https:\u002F\u002Fgithub.com\u002Flllyasviel\u002FFramePack) 支持 TeaCache。感谢 [@lllyasviel](https:\u002F\u002Fgithub.com\u002Flllyasviel)。\n- [FastVideo](https:\u002F\u002Fgithub.com\u002Fhao-ai-lab\u002FFastVideo) 支持 TeaCache。感谢 [@BrianChen1129](https:\u002F\u002Fgithub.com\u002FBrianChen1129) 和 [@jzhang38](https:\u002F\u002Fgithub.com\u002Fjzhang38)。\n- [EasyAnimate](https:\u002F\u002Fgithub.com\u002Faigc-apps\u002FEasyAnimate) 支持 TeaCache。感谢 [@hkunzhe](https:\u002F\u002Fgithub.com\u002Fhkunzhe) 和 [@bubbliiiing](https:\u002F\u002Fgithub.com\u002Fbubbliiiing)。\n- [Ruyi-Models](https:\u002F\u002Fgithub.com\u002FIamCreateAI\u002FRuyi-Models) 支持 TeaCache。感谢 [@cellzero](https:\u002F\u002Fgithub.com\u002Fcellzero)。\n- [ConsisID](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FConsisID) 支持 TeaCache。感谢 [@SHYuanBest](https:\u002F\u002Fgithub.com\u002FSHYuanBest)。\n\n**ComfyUI**\n- [ComfyUI-TeaCache](https:\u002F\u002Fgithub.com\u002Fwelltop-cn\u002FComfyUI-TeaCache) 用于 TeaCache。感谢 [@YunjieYu](https:\u002F\u002Fgithub.com\u002FYunjieYu)。\n- [ComfyUI-WanVideoWrapper](https:\u002F\u002Fgithub.com\u002Fkijai\u002FComfyUI-WanVideoWrapper) 支持 TeaCache4Wan2.1。感谢 [@kijai](https:\u002F\u002Fgithub.com\u002Fkijai)。\n- [ComfyUI-TangoFlux](https:\u002F\u002Fgithub.com\u002FLucipherDev\u002FComfyUI-TangoFlux) 支持 TeaCache。感谢 [@LucipherDev](https:\u002F\u002Fgithub.com\u002FLucipherDev)。\n- [ComfyUI_Patches_ll](https:\u002F\u002Fgithub.com\u002Flldacing\u002FComfyUI_Patches_ll) 支持 TeaCache。感谢 [@lldacing](https:\u002F\u002Fgithub.com\u002Flldacing)。\n- [Comfyui_TTP_Toolset](https:\u002F\u002Fgithub.com\u002FTTPlanetPig\u002FComfyui_TTP_Toolset) 支持 TeaCache。感谢 [@TTPlanetPig](https:\u002F\u002Fgithub.com\u002FTTPlanetPig)。\n- [ComfyUI-TeaCacheHunyuanVideo](https:\u002F\u002Fgithub.com\u002Ffacok\u002FComfyUI-TeaCacheHunyuanVideo) 用于 TeaCache4HunyuanVideo。感谢 [@facok](https:\u002F\u002Fgithub.com\u002Ffacok)。\n- [ComfyUI-HunyuanVideoWrapper](https:\u002F\u002Fgithub.com\u002Fkijai\u002FComfyUI-HunyuanVideoWrapper) 支持 TeaCache4HunyuanVideo。感谢 [@kijai](https:\u002F\u002Fgithub.com\u002Fkijai)、[ctf05](https:\u002F\u002Fgithub.com\u002Fctf05) 和 [DarioFT](https:\u002F\u002Fgithub.com\u002FDarioFT)。\n\n**并行化**\n- [Teacache-xDiT](https:\u002F\u002Fgithub.com\u002FMingXiangL\u002FTeacache-xDiT) 用于多 GPU 推理。感谢 [@MingXiangL](https:\u002F\u002Fgithub.com\u002FMingXiangL)。\n\n**引擎**\n- [SD.Next](https:\u002F\u002Fgithub.com\u002Fvladmandic\u002Fsdnext) 支持 TeaCache。感谢 [@vladmandic](https:\u002F\u002Fgithub.com\u002Fvladmandic)。\n- [DiffSynth Studio](https:\u002F\u002Fgithub.com\u002Fmodelscope\u002FDiffSynth-Studio) 支持 TeaCache。感谢 [@Artiprocher](https:\u002F\u002Fgithub.com\u002FArtiprocher)。\n\n## 🎉 支持的模型 \n**文本到视频**\n- [TeaCache4Wan2.1](.\u002FTeaCache4Wan2.1\u002FREADME.md)\n- [TeaCache4Cosmos](.\u002Feval\u002FTeaCache4Cosmos\u002FREADME.md)\n- [TeaCache4CogVideoX1.5](.\u002FTeaCache4CogVideoX1.5\u002FREADME.md)\n- [TeaCache4LTX-Video](.\u002FTeaCache4LTX-Video\u002FREADME.md)\n- [TeaCache4Mochi](.\u002FTeaCache4Mochi\u002FREADME.md)\n- [TeaCache4HunyuanVideo](.\u002FTeaCache4HunyuanVideo\u002FREADME.md)\n- [TeaCache4CogVideoX](.\u002Feval\u002Fteacache\u002FREADME.md)\n- [TeaCache4Open-Sora](.\u002Feval\u002Fteacache\u002FREADME.md)\n- [TeaCache4Open-Sora-Plan](.\u002Feval\u002Fteacache\u002FREADME.md)\n- [TeaCache4Latte](.\u002Feval\u002Fteacache\u002FREADME.md)\n\n**图像到视频**  \n- [TeaCache4Wan2.1](.\u002FTeaCache4Wan2.1\u002FREADME.md)\n- [TeaCache4Cosmos](.\u002Feval\u002FTeaCache4Cosmos\u002FREADME.md)\n- [TeaCache4CogVideoX1.5](.\u002FTeaCache4CogVideoX1.5\u002FREADME.md)\n- [TeaCache4ConsisID](.\u002FTeaCache4ConsisID\u002FREADME.md)\n\n**文本到图像**\n- [TeaCache4Lumina2](.\u002FTeaCache4Lumina2\u002FREADME.md)\n- [TeaCache4HiDream-I1](.\u002FTeaCache4HiDream-I1\u002FREADME.md)\n- [TeaCache4FLUX](.\u002FTeaCache4FLUX\u002FREADME.md)\n- [TeaCache4Lumina-T2X](.\u002FTeaCache4Lumina-T2X\u002FREADME.md)\n\n**文本到音频**\n- [TeaCache4TangoFlux](.\u002FTeaCache4TangoFlux\u002FREADME.md)\n\n## 🤖 其他模型的支持说明 \n- **欢迎提交 PR 来支持其他模型。**\n- 如果自定义模型基于我们已支持的模型，或者具有相似的模型结构，您可以尝试直接将 TeaCache 应用到该自定义模型上。例如，CogVideoX-5B 的缩放系数可以直接应用于 CogVideoX1.5 和 ConsisID；FLUX 的缩放系数也可以直接应用于 TangoFlux。\n- 否则，您可以参考以下成功案例：[1](https:\u002F\u002Fgithub.com\u002Fali-vilab\u002FTeaCache\u002Fissues\u002F20)、[2](https:\u002F\u002Fgithub.com\u002Fali-vilab\u002FTeaCache\u002Fissues\u002F18)。\n\n## 💐 致谢  \n\n本仓库基于 [VideoSys](https:\u002F\u002Fgithub.com\u002FNUS-HPC-AI-Lab\u002FVideoSys)、[Diffusers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusers)、[Open-Sora](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FOpen-Sora)、[Open-Sora-Plan](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FOpen-Sora-Plan)、[Latte](https:\u002F\u002Fgithub.com\u002FVchitect\u002FLatte)、[CogVideoX](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FCogVideo)、[HunyuanVideo](https:\u002F\u002Fgithub.com\u002FTencent\u002FHunyuanVideo)、[ConsisID](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FConsisID)、[FLUX](https:\u002F\u002Fgithub.com\u002Fblack-forest-labs\u002Fflux)、[Mochi](https:\u002F\u002Fgithub.com\u002Fgenmoai\u002Fmochi)、[LTX-Video](https:\u002F\u002Fgithub.com\u002FLightricks\u002FLTX-Video)、[Lumina-T2X](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-T2X)、[TangoFlux](https:\u002F\u002Fgithub.com\u002Fdeclare-lab\u002FTangoFlux)、[Cosmos](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FCosmos)、[Wan2.1](https:\u002F\u002Fgithub.com\u002FWan-Video\u002FWan2.1)、[HiDream-I1](https:\u002F\u002Fgithub.com\u002FHiDream-ai\u002FHiDream-I1) 以及 [Lumina-Image-2.0](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-Image-2.0) 构建。感谢他们的贡献！\n\n## 🔒 许可证  \n\n* 本项目的大部分内容采用 Apache 2.0 许可证，详见 [LICENSE](.\u002FLICENSE) 文件。\n* 对于 [VideoSys](https:\u002F\u002Fgithub.com\u002FNUS-HPC-AI-Lab\u002FVideoSys)、[Diffusers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusers)、[Open-Sora](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FOpen-Sora)、[Open-Sora-Plan](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FOpen-Sora-Plan)、[Latte](https:\u002F\u002Fgithub.com\u002FVchitect\u002FLatte)、[CogVideoX](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FCogVideo)、[HunyuanVideo](https:\u002F\u002Fgithub.com\u002FTencent\u002FHunyuanVideo)、[ConsisID](https:\u002F\u002Fgithub.com\u002FPKU-YuanGroup\u002FConsisID)、[FLUX](https:\u002F\u002Fgithub.com\u002Fblack-forest-labs\u002Fflux)、[Mochi](https:\u002F\u002Fgithub.com\u002Fgenmoai\u002Fmochi)、[LTX-Video](https:\u002F\u002Fgithub.com\u002FLightricks\u002FLTX-Video)、[Lumina-T2X](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-T2X)、[TangoFlux](https:\u002F\u002Fgithub.com\u002Fdeclare-lab\u002FTangoFlux)、[Cosmos](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FCosmos)、[Wan2.1](https:\u002F\u002Fgithub.com\u002FWan-Video\u002FWan2.1)、[HiDream-I1](https:\u002F\u002Fgithub.com\u002FHiDream-ai\u002FHiDream-I1) 以及 [Lumina-Image-2.0](https:\u002F\u002Fgithub.com\u002FAlpha-VLLM\u002FLumina-Image-2.0)，请遵循其各自的许可证。\n* 本服务为研究预览版。如发现任何潜在违规行为，请联系我们。（liufeng20@mails.ucas.ac.cn）\n\n## 📖 引用  \n如果您在研究或应用中发现 TeaCache 非常有用，请考虑为我们点亮一颗星 ⭐，并使用以下 BibTeX 条目引用：\n\n```\n@article{liu2024timestep,\n  title={时间步嵌入揭示：是时候为视频扩散模型缓存了},\n  author={刘峰、张世伟、王晓峰、魏宇杰、邱浩楠、赵宇中、张英亚、叶启祥、万芳},\n  journal={arXiv 预印本 arXiv:2411.19108},\n  year={2024}\n}\n```","# TeaCache 快速上手指南\n\nTeaCache 是一种无需训练的缓存加速方法，通过分析扩散模型在不同时间步（Timestep）的输出波动，显著加速视频、图像及音频扩散模型的推理过程。该方案已被 CVPR 2025 收录为 Highlight 论文。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 20.04+) 或 macOS\n*   **Python**: 3.8 或更高版本\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡（显存需求取决于具体使用的底模，如 Wan2.1, CogVideoX, FLUX 等）\n*   **前置依赖**:\n    *   PyTorch (建议 2.0+)\n    *   Diffusers (建议最新版)\n    *   Transformers\n    *   Accelerate\n\n> **提示**：建议使用 `conda` 创建独立的虚拟环境以避免依赖冲突。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FLiewFeng\u002FTeaCache.git\ncd TeaCache\n```\n\n### 2. 安装依赖\n\n项目依赖具体的底模框架。您可以选择安装基础依赖，或根据您打算使用的模型安装特定子模块的依赖。\n\n**通用基础安装：**\n\n```bash\npip install -r requirements.txt\n```\n\n**针对特定模型的集成示例（以 Wan2.1 为例）：**\n\n如果官方 `requirements.txt` 未覆盖所有最新模型依赖，请参考对应子目录（如 `TeaCache4Wan2.1`）的说明。通常只需确保已安装对应的底模库（如 `wan-video` 或 `diffusers` 最新版本）。\n\n```bash\n# 示例：更新 diffusers 以支持最新模型\npip install --upgrade diffusers transformers accelerate torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu121\n```\n\n> **国内加速建议**：\n> 若下载依赖较慢，可使用清华或阿里镜像源：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\nTeaCache 的核心在于通过修改推理循环中的缓存机制来加速生成。不同模型的集成方式略有差异，但核心逻辑一致：**计算时间步嵌入的差异，动态跳过冗余计算**。\n\n以下以通用的 **Diffusers 框架**（适用于 FLUX, Stable Video Diffusion 等）为例，展示如何启用 TeaCache。\n\n### 代码示例\n\n假设您正在使用 `diffusers` 加载一个文生图或文生视频管道：\n\n```python\nimport torch\nfrom diffusers import AutoPipelineForText2Image # 或其他具体 Pipeline\n# 引入 TeaCache 相关工具函数 (路径需根据实际项目结构调整，通常在 eval\u002Fteacache 或特定模型目录下)\n# 此处假设已按照官方文档将 teacache 逻辑集成到 pipeline 或作为 wrapper 使用\n\n# 1. 加载模型\npipeline = AutoPipelineForText2Image.from_pretrained(\n    \"black-forest-labs\u002FFLUX.1-dev\", \n    torch_dtype=torch.bfloat16\n).to(\"cuda\")\n\n# 2. 配置 TeaCache 参数\n# rel_thresh: 相对阈值，控制缓存力度。值越大速度越快，但可能轻微影响质量。\n# 不同模型推荐的 rel_thresh 不同，例如 FLUX 常用 0.04-0.06，CogVideoX 常用 0.09\nrel_thresh = 0.05 \n\n# 3. 启用 TeaCache (伪代码示意，具体调用请参考各模型子目录下的 run 脚本)\n# 大多数集成方案需要在 pipeline 调用前注册 hook 或替换 forward 方法\n# 以下是基于官方实现逻辑的典型调用模式：\n\ndef enable_teacache(pipe, threshold):\n    # 这里内部会修改 UNet\u002FDiT 的 forward 逻辑，利用 timestep embedding 判断是否复用上一帧特征\n    pipe.teacache_threshold = threshold\n    # 具体实现需参考 TeaCache4FLUX 或 TeaCache4Wan2.1 中的 patch 代码\n    # 例如：apply_teacache_to_model(pipe.unet, threshold)\n    pass\n\n# 应用加速 (请以具体模型文件夹下的 README 为准进行微调)\n# enable_teacache(pipeline, rel_thresh) \n\n# 4. 执行推理\nprompt = \"A cinematic shot of a futuristic city with flying cars\"\nimage = pipeline(\n    prompt=prompt,\n    num_inference_steps=50, # 步数越多，TeaCache 加速效果越明显\n    generator=torch.Generator(\"cuda\").manual_seed(42)\n).images[0]\n\nimage.save(\"output.png\")\n```\n\n### 针对不同模型的快速入口\n\n由于不同架构（DiT, U-Net）集成方式不同，强烈建议直接运行官方提供的示例脚本：\n\n*   **文生视频 (Wan2.1)**:\n    ```bash\n    cd TeaCache4Wan2.1\n    python sample.py --prompt \"Your prompt here\" --rel_thresh 0.09\n    ```\n*   **文生图 (FLUX)**:\n    ```bash\n    cd TeaCache4FLUX\n    python sample.py --prompt \"Your prompt here\" --rel_thresh 0.05\n    ```\n*   **文生视频 (CogVideoX)**:\n    ```bash\n    cd TeaCache4CogVideoX1.5\n    python sample.py --prompt \"Your prompt here\"\n    ```\n\n> **注意**：`rel_thresh` 是关键超参数。\n> *   **较小值 (如 0.03)**: 画质保留最好，加速比适中。\n> *   **较大值 (如 0.10)**: 推理速度极快，但在复杂运动场景可能出现伪影。\n> 请参照各模型子目录 README 中推荐的默认系数。","某短视频创作团队正在利用视频扩散模型（Video Diffusion Models）批量生成高质量的产品宣传动画，以应对即将到来的电商大促活动。\n\n### 没有 TeaCache 时\n- **渲染等待漫长**：生成一段 5 秒的高清视频往往需要数小时，导致创意迭代周期被严重拉长，设计师无法在当天验证新想法。\n- **算力成本高昂**：为了赶工期，团队不得不租赁大量昂贵的 GPU 集群，造成了巨大的预算压力，且资源利用率因串行等待而低下。\n- **调试反馈滞后**：由于单次推理耗时过长，调整提示词或参数后的效果反馈极慢，开发人员难以快速定位模型输出的细微瑕疵。\n- **并发能力受限**：受限于推理速度，系统同时处理的视频生成任务数量极少，无法满足多部门并行创作的需求。\n\n### 使用 TeaCache 后\n- **推理速度飞跃**：TeaCache 通过智能缓存时间步嵌入特征，将视频生成速度提升了数倍，原本需数小时的任务现在几十分钟即可完成。\n- **显著降低成本**：在保持视频质量几乎无损的前提下，大幅减少了所需的 GPU 运行时长，直接降低了云算力账单支出。\n- **即时创意验证**：设计师可以快速尝试多种风格提示词并立即看到结果，极大地激发了创作灵感并优化了最终成片效果。\n- **吞吐量大幅提升**：单位时间内可完成的生成任务量成倍增长，轻松支持全团队的高并发创作需求，确保项目按时交付。\n\nTeaCache 通过无需训练的动态缓存机制，彻底打破了视频扩散模型的推理速度瓶颈，让高质量视频生成变得高效且经济。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fali-vilab_TeaCache_bca823ad.png","ali-vilab","Alibaba TongYi Vision Intelligence Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fali-vilab_c2d93ee0.png",null,"https:\u002F\u002Fgithub.com\u002Fali-vilab",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,1301,54,"2026-04-12T22:56:47","Apache-2.0","未说明","需要 NVIDIA GPU（基于所支持的 Video\u002FImage\u002FAudio Diffusion 模型及 CUDA 生态推断），具体显存大小取决于所选用的基础模型（如 Wan2.1, FLUX, CogVideoX 等），通常建议 16GB+ 以运行视频生成模型。","未说明（建议 32GB+ 以支持大型视频扩散模型的推理）",{"notes":91,"python":87,"dependencies":92},"TeaCache 是一个无需训练的缓存加速方法，适用于多种视频、图像和音频扩散模型（如 Wan2.1, FLUX, CogVideoX, HunyuanVideo 等）。具体运行环境需求（如显存、Python 版本）主要取决于所集成的具体基础模型仓库的要求。项目支持 ComfyUI 插件及多卡并行推理（Teacache-xDiT）。",[93,94,95,96,97],"torch","diffusers","transformers","accelerate","VideoSys",[15,14,99],"视频",[101,102,103,104,105,106,107,108],"diffusion-models","inference-acceleration","video-generation","cogvideox","hunyuan-video","latte","open-sora","open-sora-plan","2026-03-27T02:49:30.150509","2026-04-14T03:16:01.594280",[],[]]