SpectralCache 用奇异子空间复用与奇异值外推，在 HunyuanWorld-Voyager-13B 上实现 5.22 倍加速并保持 WorldScore 65.90
相关研究与后续进展
核心概要
该工作发现扩散式世界模型的特征在相邻去噪步之间具有高度稳定的奇异子空间、且奇异值演化可预测，据此提出免训练的谱缓存框架 SpectralCache，复用稳定奇异子空间并仅通过线性外推估计低维奇异值，还利用相邻全计算特征间的谱一致性以奇异值缩放跳过部分骨干评估，在 HunyuanWorld-Voyager-13B 上取得 5.22 倍加速并保持静态场景 WorldScore 65.90，在推理效率上明显优于现有免训练缓存方法。
Figure 4: Overview of SpectralCache.
arXiv深度剖析
论文揭示扩散式世界模型特征在相邻去噪步之间呈现高度稳定的奇异子空间，而奇异值遵循可预测的演化模式。 以往缓存方法主要在特征层或 token 层利用时间冗余，未触及扩散特征背后的数学结构；该工作把冗余来源定位到谱结构层面。 该观察以摘要中陈述的实证发现形式给出，作为后续缓存设计的依据。
提出 SpectralCache，一个免训练的谱缓存框架，复用稳定的奇异子空间，仅对低维奇异值做线性外推估计。 与依赖训练或微调的加速方案不同，该方法无需训练即可插入现有世界模型推理流程。 方法描述来自摘要，属于框架层面的设计说明。
进一步利用相邻全计算特征之间的谱一致性，通过奇异值缩放跳过选定的昂贵骨干评估。 在奇异子空间复用之外，增加了对部分骨干计算的跳过机制，构成第二层加速来源。 该机制在摘要中作为方法组成部分陈述，未给出单独的消融数据。
在代表性世界模型上的实验显示，SpectralCache 在保持生成质量的同时持续提升推理效率；在 HunyuanWorld-Voyager-13B 上实现 5.22 倍加速并保持静态场景 WorldScore 65.90，推理效率明显优于现有免训练缓存方法。 给出了具体模型上的加速倍数与质量指标，并与现有免训练缓存方法做了效率对比。 证据为摘要中报告的单一模型上的加速倍数与 WorldScore 数值，以及相对现有免训练缓存方法的效率比较。
启示与展望
该工作面向扩散式世界模型的推理加速，适用于需要在去噪过程中反复执行 Transformer 评估的交互式环境生成场景，且以免训练方式插入现有模型。摘要给出的具体验证集中在 HunyuanWorld-Voyager-13B 的静态场景，报告 5.22 倍加速与 WorldScore 65.90，并与现有免训练缓存方法比较推理效率。可继续推进的方向包括把谱缓存扩展到更多世界模型与动态场景，以及把奇异子空间稳定性与奇异值外推的组合用于其他扩散式生成流程。
可见文本为摘要级内容，未包含实验表格、消融设置、基线清单与统计细节，因此无法判断加速倍数在不同模型、不同场景与不同质量指标下的稳定性，也无法确认奇异子空间稳定性观察的适用范围。读者可关注的问题包括：谱一致性跳过骨干评估对生成质量的影响如何随跳过比例变化，以及该方法在动态场景与更长去噪步数下的表现。