来自 nicekate（@nicekate8888）的推文线程

這個項目有意思，Glance 是一種用極少數據（1 個樣本）和極低訓練成本，就能透過「兩階段LoRA 專家」顯著加速擴散模型推理（最多5×），同時基本保持生成質量的階段感知加速方法。 你可以把現在的擴散畫圖模型（如Stable Diffusion）想成： “從一張純噪音開始，慢慢擦乾淨，一點一點把畫擦出來。” 問題是： 想畫出一張好圖，通常要“擦”幾十上百次每次都要跑一次大模型，既耗時又費顯卡所以很多人會覺得：“生成質量很好，就是太慢了。” 以前的加速思路，大多是： 重新訓練一個“學生模型”，讓它學會用更少的步數畫完但這需要很多訓練數據、很多算力，還容易“降智”（泛化變差） Glance 換了一個思路： 不是平均地把所有步驟壓縮，而是觀察： 前期的步驟，負責定結構和大致內容，很關鍵後期的步驟，更多是在摳細節、去一點點噪聲，有很多是「冗餘」的 於是他們做了個「分階段加速」： 給模型加兩個很輕的LoRA 小插件： Slow-LoRA：用在前半段，“慢慢來”，少跳步，保證構圖和語義不崩 Fast-LoRA：用在後半段，“能省就省”，大膽跳步，減少計算 這兩個LoRA 只需要用1 張樣本圖、在1 張V100 上訓練大約1 小時就能搞定，訓練成本幾乎可以忽略。 結果是： 相較於原始模型，推理速度最快可以提升到約5 倍但產生的圖在各種測試集上，品質基本和原模型差不多，看不出明顯下降。