推理過程中的另一個問題是，由於分塊處理，運動不平滑。 模型預測下一個資料區塊，執行它，然後暫停以預測下一個資料區塊（如下視頻，3 倍速）。 如果在前一個程式碼區塊執行之前嘗試預測下一個程式碼區塊，而模型在執行一個截然不同的操作模式時跳到另一個操作模式，則可能會導致致命的錯誤。 解決方案是圖像修復——這通常用於圖像生成。我們可以在執行上一個資料區塊的同時預測下一個資料區塊，但我們會強制新的預測與前一個資料區塊的結尾完全匹配。 結果是運動更加流暢，沒有跳躍和停頓，並且模型的性能和吞吐量更高。
如果你想深入了解（包括圖片、演示和微調說明），請觀看我的新影片：https://t.co/TDdhedJiDn