Experiment: training-free caching on 4-step block-causal video DiTs

四个 training-free 缓存方法（TeaCache / FlowCache / TaylorSeer / MotionCache）移植到两个 4-step 自回归视频 DiT（Self-Forcing、Causal-Forcing，均为 Wan2.1-1.3B block-causal）上，在匹配的 compute 预算下比较速度与质量。

列定义

策略：方法 + 调度 + 目标加速比。调度字符串按 chunk 内 4 个去噪步写，F = 必算完整 DiT，x = 允许方法从缓存服务。FxxF 是原始设定（等价于上游 ret_steps=1 / cutoff_steps=num_steps-1），FFxx 让 TaylorSeer 在第一次预测前有两个已算点，Fxxx 去掉最后一步必算的限制，算术上限从 2.0× 提到 4.0×。
**VBench-251 (%)**：Extended-251 协议的 VBench-8 selected 分（4×quality + semantic）/5，251 条 prompt（subject_consistency 72 / overall_consistency 93 / scene 86）。
Full：一条视频（7 chunk × 4 步 = 28 次去噪 DiT forward）中实际执行的完整 DiT forward 等效数，251 条 prompt 的平均；MotionCache / FlowCache 这类部分重算的步按 compute-equivalent 折算。所有方法按这一列匹配 compute。
平均 P：一条视频中被缓存复用的 forward 数 = 28 − Full。naiveNstep 基线走的是更短的去噪调度，缺的 forward 是根本没有发起而不是被复用，所以这一列对它们记为 —（它们的 Full 仍按 28 步的标尺给出，便于等算力对照）。Predictor 策略（cfa_*，Causal-Forcing-a）按记录里的 full_forwards / predictor_forwards 计：Full 为完整 DiT 次数，P 为 predictor 调用次数（每次约 0.03 个 forward，不计入 Full）。
**模型路径耗时 (ms)**：251 条 prompt 上 denoise policy 路径的 GPU 平均耗时，含缓存方法自己的控制开销；不含 context/KV-cache 刷新 DiT（另计，~790 ms/视频）、文本编码、VAE 解码。
加速比：matched FFFF 平均耗时 / 该策略平均耗时（同 prompt、同 seed、同一次运行内配对）。原始 26 个策略与 FFFF 同批生成；后加的策略由 eval/retime_eval.py 与 FFFF 在同一进程内逐 prompt 配对重新计时（只跑 denoise 路径），其"模型路径耗时"来自这次配对计时，绝对 ms 与首批不在同一争用条件下，只有加速比可跨行比较。首 chunk FFFF 变体（_c0FFFF，teacache_x2_c0FFFF 除外）的耗时来自 Sep 7 在空闲 GPU 上只重跑策略 denoise 路径的单次重计时（FFFF 不重跑，以各基模 FFFF 首批记录为分母；逐条核对算量一致，视频与质量指标不变）。
PSNR / SSIM / LPIPS：相对同 prompt、同 seed 的 FFFF，在解码后的 81 帧 RGB 上计算，编码 MP4 之前。FFFF 对自身固定为 120 dB / 1.0 / 0.0。Sep 7 起新增的策略不再重新生成 FFFF，参考帧读自 FFFF 那次运行写出的 MP4（H.264），表中以 § 标出；在同一批视频上实测该替换使 PSNR +0.10 dB、SSIM −0.024、LPIPS +0.012（MP4 抹掉了参考的高频细节），与其它行比较时按此修正。
策略 id 与 eval_out/ 目录一致（去掉 sf_/cf_/cfa_ 前缀）：不带调度后缀的是原始 FxxF 研究，_FFxx_/_Fxxx_ 为放宽调度后的操作点，_x<N> 是搜索时的目标加速比，实际 compute 看 Full 列；cfa_* 为 Causal-Forcing-a 上的 Predictor 策略（DisCa / ATC-chunk / ATC-last-frame，均为 Stage-1 监督蒸馏；atc_chunk_s2_* 为 ATC-chunk 再经 Stage-2 随机出口 DMD（Wan-14B real score、LoRA rank-128 fake score，2000 步）后的 EMA 权重），后缀 fppf/fppp 是 chunk 内的调度模式（P = predictor 步）。

视频规格：81 帧、480×832、16 FPS、seed 0、bf16、每 prompt 一个样本。

1. Extended-251 评测结果（已完成）

Self-Forcing

策略	VBench-251 (%)	平均 P	Full	模型路径耗时 (ms)	加速比	PSNR	SSIM	LPIPS
原始调度（chunk 0 与其它 chunk 相同）
`ffff`	80.5372	0.000	28.000	3157.96	1.000×	120.000	1.0000	0.0000
`euler_FFFF`	78.7741	0.000	28.000	3171.53	0.996×	9.996 §	0.3108 §	0.6051 §

≈1.3×
`teacache_x1.3`	79.5878	5.633	22.367	2547.49	1.240×	15.161	0.5325	0.3198
`flowcache_x1.3`	79.6210	6.076	21.924	2547.75	1.240×	15.151	0.5325	0.3202
`taylorseer_x1.3`	79.8313	7.000	21.000	2439.16	1.295×	13.315	0.4421	0.4469
`taylorseer_FFxx_x1.3`	79.2201	6.000	22.000	2588.89	1.226×	13.128	0.4449	0.4290
`motioncache_x1.3`	79.2294	6.537	21.463	2762.30	1.143×	13.264	0.4499	0.4431
`reuse_FRFF`	79.2460	7.000	21.000	2382.76 †	1.325× †	13.186 §	0.4401 §	0.4497 §

≈1.6×
`teacache_x1.6`	78.9947	8.757	19.243	2187.41	1.444×	13.116	0.4428	0.4520
`flowcache_x1.6`	78.4997	9.255	18.745	2215.58	1.425×	12.991	0.4339	0.4659
`taylorseer_x1.6`	79.0823	11.000	17.000	2008.93	1.572×	13.398	0.4082	0.5029
`taylorseer_FFxx_x1.6`	66.3821	10.000	18.000	2102.06	1.509×	11.321	0.3028	0.6140
`motioncache_x1.6`	79.4907	10.597	17.403	2126.98	1.485×	13.127	0.4332	0.4722

≈1.75×
`teacache_x1.75`	79.2788	7.725	20.275	3142.11	1.381×	13.142	0.4471	0.4460
`taylorseer_x1.75`	78.6295	13.000	15.000	2379.43	1.823×	13.479	0.4007	0.5163
`motioncache_x1.75`	79.0342	12.222	15.778	2713.77	1.599×	13.046	0.4265	0.4823

≈2×
`teacache_x2`	78.7743	14.000	14.000	1608.20	1.964×	13.020	0.4222	0.4854
`flowcache_x2`	78.7743	14.000	14.000	1613.54	1.957×	13.020	0.4222	0.4854
`taylorseer_x2`	78.2747	14.000	14.000	1667.04	1.894×	13.486	0.3974	0.5240
`taylorseer_FFxx_x2`	57.1775	14.000	14.000	1687.69	1.880×	9.626	0.1555	0.8272
`motioncache_x2`	78.7809	14.000	14.000	1621.06	1.948×	13.020	0.4222	0.4854
`reuse_FRRF`	78.7743	14.000	14.000	1604.42 †	1.968× †	13.102 §	0.4150 §	0.4865 §

≈2.85–3×
`teacache_Fxxx_x2.85`	60.1481	14.000	14.000	2207.42	1.965×	11.844	0.3029	0.6665
`teacache_Fxxx_x3`	58.6783	20.155	7.845	913.40	3.473×	11.946	0.2851	0.7049
`flowcache_Fxxx_x3`	55.7999	19.851	8.149	987.12	3.214×	12.013	0.2866	0.6946
`taylorseer_Fxxx_x2.85`	60.3007	19.000	9.000	1468.31	2.954×	11.750	0.2608	0.7051
`motioncache_Fxxx_x2.85`	58.6018	20.344	7.656	1707.75	2.540×	11.928	0.2649	0.7232
`motioncache_Fxxx_x3`	59.2793	18.785	9.215	1625.07	1.952×	12.240	0.2860	0.6889

≈3.3–4×
`reuse_FRRR`	58.1223	21.000	7.000	823.91 †	3.833× †	11.699 §	0.2565 §	0.7347 §

首 chunk FFFF（`_c0FFFF`）

≈1.3×
`teacache_x1.3_c0FFFF`	80.3851	3.785	24.215	2721.09	1.161×	20.370	0.8421	0.0866
`taylorseer_x1.3_c0FFFF`	80.4439	6.000	22.000	2517.09	1.255×	17.312	0.6934	0.1524
`motioncache_x1.3_c0FFFF`	79.9742	5.490	22.510	2790.03	1.132×	17.332	0.6934	0.1520

≈1.6×
`teacache_x1.6_c0FFFF`	80.0586	7.179	20.821	2334.11	1.353×	17.180 §	0.6581 §	0.1808 §

≈1.75×
`taylorseer_x1.75_c0FFFF`	79.4426	11.000	17.000	1930.29	1.636×	16.752	0.6201	0.2132
`motioncache_x1.75_c0FFFF`	80.3427	10.328	17.672	2180.22	1.448×	16.749	0.6578	0.1794

≈2×
`teacache_x2_c0FFFF`	79.7515	12.000	16.000	1766.63	1.788×	16.611	0.6511	0.1883

≈2.85–3×
`teacache_Fxxx_x3_c0FFFF`	61.3078	17.713	10.287	1092.03	2.892×	13.994	0.4180	0.5821
`taylorseer_Fxxx_x2.85_c0FFFF`	65.5397	16.000	12.000	1330.42	2.374×	14.321	0.4627	0.4903
`motioncache_Fxxx_x2.85_c0FFFF`	62.0397	17.174	10.826	1650.77	1.913×	14.279	0.4229	0.5744

Causal-Forcing

策略	VBench-251 (%)	平均 P	Full	模型路径耗时 (ms)	加速比	PSNR	SSIM	LPIPS
原始调度（chunk 0 与其它 chunk 相同）
`ffff`	81.1659	0.000	28.000	3156.09	1.000×	120.000	1.0000	0.0000

≈1.3×
`teacache_x1.3`	81.2244	6.088	21.912	2488.55	1.268×	13.229	0.5272	0.3419
`flowcache_x1.3`	81.8224	5.145	22.855	2683.28	1.176×	13.260	0.5272	0.3415
`taylorseer_x1.3`	81.6245	7.000	21.000	2437.75	1.295×	11.994	0.4488	0.4509
`taylorseer_FFxx_x1.3`	80.2569	6.000	22.000	2569.62	1.223×	11.395	0.4381	0.4580
`motioncache_x1.3`	81.2477	6.424	21.576	2716.36	1.162×	12.068	0.4614	0.4450
`naive3step`	81.4017	—	21.000	2377.69 †	1.327× †	11.873	0.4393	0.4448
`reuse_FRFF`	81.3133	7.000	21.000	2387.76 †	1.322× †	11.845	0.4615	0.4467

≈1.6×
`teacache_x1.6`	81.2088	9.781	18.219	2058.41	1.533×	11.932	0.4590	0.4511
`flowcache_x1.6`	80.4213	10.631	17.369	2086.39	1.513×	11.738	0.4424	0.4744
`taylorseer_x1.6`	80.4207	11.000	17.000	2008.23	1.572×	12.175	0.4082	0.5063
`taylorseer_FFxx_x1.6`	65.8948	10.000	18.000	2092.15	1.502×	9.924	0.3015	0.6262
`motioncache_x1.6`	80.8268	10.521	17.479	2243.38	1.407×	11.911	0.4404	0.4737

≈1.75×
`teacache_x1.75`	81.2378	9.127	18.873	2386.91	1.481×	11.899	0.4596	0.4493
`taylorseer_x1.75`	79.9462	13.000	15.000	1977.36	1.788×	12.178	0.4020	0.5182
`motioncache_x1.75`	80.6695	13.388	14.612	2270.46	1.557×	11.936	0.4400	0.4824

≈2×
`teacache_x2`	79.9681	14.000	14.000	1607.05	1.964×	11.900	0.4402	0.4835
`flowcache_x2`	79.9681	14.000	14.000	1612.28	1.958×	11.900	0.4402	0.4835
`taylorseer_x2`	79.7412	14.000	14.000	1666.32	1.894×	12.160	0.3995	0.5260
`taylorseer_FFxx_x2`	57.3124	14.000	14.000	1673.11	1.879×	8.788	0.1646	0.8242
`motioncache_x2`	79.9909	14.000	14.000	1618.55	1.950×	11.901	0.4402	0.4835
`naive2step`	80.5679	—	14.000	1589.72 †	1.985× †	11.745	0.4131	0.4883
`reuse_FRRF`	80.0407	14.000	14.000	1607.58 †	1.963× †	11.900	0.4402	0.4835

≈2.85–3×
`teacache_Fxxx_x3`	65.0186	18.378	9.622	1087.44	2.891×	11.352	0.3356	0.6346
`flowcache_Fxxx_x3`	65.1726	18.073	9.927	1161.04	2.707×	11.338	0.3387	0.6278
`taylorseer_Fxxx_x2.85`	60.9596	19.000	9.000	1217.30	2.904×	10.339	0.2573	0.7044
`motioncache_Fxxx_x2.85`	59.5795	19.957	8.043	1706.05	2.072×	10.619	0.2432	0.7114
`motioncache_Fxxx_x3`	60.9864	18.657	9.343	1698.44	1.849×	10.941	0.2716	0.6802

≈3.3–4×
`naive1step`	75.5181	—	7.000	797.85 †	3.956× †	11.470	0.4009	0.5506
`reuse_FRRR`	58.8612	21.000	7.000	825.80 †	3.822× †	10.148	0.2478	0.7408

首 chunk FFFF（`_c0FFFF`）

≈1.3×
`teacache_x1.3_c0FFFF`	81.0382	4.697	23.303	2611.40	1.209×	16.495	0.7670	0.1410
`taylorseer_x1.3_c0FFFF`	81.3120	6.000	22.000	2522.30	1.251×	14.728	0.6736	0.1983
`motioncache_x1.3_c0FFFF`	81.3863	5.410	22.590	2754.74	1.146×	14.950	0.6803	0.1935
`naive3step_c0FFFF`	81.3914	—	22.000	2457.13 †	1.284× †	14.407 §	0.6324 §	0.2236 §
`reuse_FRFF_c0FFFF`	81.3370	6.000	22.000	2467.84 †	1.279× †	14.775 §	0.6624 §	0.2046 §

≈1.75×
`taylorseer_x1.75_c0FFFF`	80.7431	11.000	17.000	1935.50	1.631×	14.443	0.5972	0.2719
`motioncache_x1.75_c0FFFF`	81.1129	11.295	16.705	2173.89	1.452×	14.454	0.6430	0.2301
`naive2step_c0FFFF`	81.7050	—	16.000	1746.77 †	1.807× †	14.259 §	0.6122 §	0.2437 §
`reuse_FRRF_c0FFFF`	81.1816	12.000	16.000	1766.47 †	1.787× †	14.502 §	0.6254 §	0.2413 §

≈2×
`teacache_x2_c0FFFF`	81.1816	12.000	16.000	1764.22	1.789×	14.431 §	0.6423 §	0.2327 §

≈2.85–3×
`teacache_Fxxx_x3_c0FFFF`	65.6584	16.558	11.442	1225.90	2.574×	12.895	0.4612	0.5070
`taylorseer_Fxxx_x2.85_c0FFFF`	65.4647	16.000	12.000	1334.99	2.364×	12.802	0.4509	0.5047
`motioncache_Fxxx_x2.85_c0FFFF`	64.0830	16.900	11.100	1792.95	1.760×	12.959	0.4250	0.5596
`naive1step_c0FFFF`	79.1501	—	10.000	1035.46 †	3.048× †	14.104 §	0.5977 §	0.2779 §
`reuse_FRRR_c0FFFF`	59.5377	18.000	10.000	1061.93 †	2.972× †	12.433 §	0.3890 §	0.6052 §

Causal-Forcing-a（Predictor）

策略	VBench-251 (%)	平均 P	Full	模型路径耗时 (ms)	加速比	PSNR	SSIM	LPIPS
7 chunk（81 帧）
`ffff`	81.1659	0.000	28.000	3225.29	1.000×	120.000	1.0000	0.0000

≈1.3×
`atc_chunk_s2_fpff`	80.9902	6.000	22.000	2519.19 †	1.280× †	14.667	0.6761	0.1970

≈1.75×
`atc_chunk_fppf`	81.5505	12.000	16.000	1900.49	1.697×	14.635	0.6532	0.2215
`atc_chunk_s2_fppf`	81.2486	12.000	16.000	1871.26 †	1.724× †	14.452	0.6460	0.2260
`atc_last_frame_fppf`	81.2733	12.000	16.000	1897.37	1.700×	14.622	0.6531	0.2217
`disca_fppf`	81.4375	12.000	16.000	1857.48	1.736×	14.551	0.6516	0.2213
`disca_s1000_fppf`	81.2360	12.000	16.000	1824.35 ‡	1.768× ‡	14.830 §	0.6229 §	0.2380 §
`atc_chunk_fpf`	81.2960	6.000	16.000	1819.13	1.773×	14.523 §	0.6117 §	0.2419 §

≈2.85–3×
`atc_chunk_fppp`	77.3396	18.000	10.000	1238.59	2.604×	14.328	0.6088	0.3012
`atc_chunk_s2_fppp`	78.6374	18.000	10.000	1221.75 †	2.640× †	14.135	0.5971	0.2976
`atc_last_frame_fppp`	77.3843	18.000	10.000	1234.61	2.612×	14.298	0.6096	0.3005
`disca_fppp`	75.9581	18.000	10.000	1157.33	2.787×	14.073	0.5782	0.3242
`disca_s1000_fppp`	72.2150	18.000	10.000	1153.31 ‡	2.797× ‡	13.858 §	0.5182 §	0.4040 §

14 chunk（165 帧）
`14c_ffff`	81.0061	0.000	56.000	7410.82	1.000×	120.000	1.0000	0.0000

≈1.75×
`atc_chunk_14c_fppf`	80.5734	26.000	30.000	4196.75	1.766×	12.824	0.5568	0.3382
`atc_chunk_s2_14c_fppf`	80.9730	26.000	30.000	4196.14	1.766×	12.715	0.5512	0.3452
`atc_chunk_s2_s500_14c_fppf`	81.0817	26.000	30.000	4167.73	1.778×	12.817 §	0.5299 §	0.3522 §
`atc_chunk_s2_s1000_14c_fppf`	81.1134	26.000	30.000	4167.71	1.778×	12.748 §	0.5311 §	0.3524 §
`disca_14c_fppf`	80.5953	26.000	30.000	4075.89	1.818×	12.806 §	0.5328 §	0.3462 §
`disca_s500_14c_fppf`	80.1191	26.000	30.000	4075.51	1.818×	12.268 §	0.5120 §	0.3670 §
`disca_s1000_14c_fppf`	80.5057	26.000	30.000	4075.84	1.818×	13.040 §	0.5250 §	0.3631 §
`naive2step_14c`	80.7865	—	30.000	3880.86	1.910×	12.597 §	0.5211 §	0.3578 §

28 chunk（333 帧）
`28c_ffff`	77.9850	0.000	112.000	15832.56	1.000×	120.000	1.0000	0.0000

≈1.75×
`atc_chunk_28c_fppf`	77.4779	54.000	58.000	8831.55	1.793×	11.004	0.4520	0.4727
`atc_chunk_s2_28c_fppf`	78.6544	54.000	58.000	8830.84	1.793×	11.077	0.4412	0.4814
`atc_chunk_s2_s500_28c_fppf`	78.5516	54.000	58.000	8790.80	1.801×	11.109 §	0.4214 §	0.4906 §
`atc_chunk_s2_s1000_28c_fppf`	78.8416	54.000	58.000	8790.42	1.801×	11.092 §	0.4255 §	0.4850 §
`disca_28c_fppf`	77.8652	54.000	58.000	8598.80	1.841×	10.985 §	0.4235 §	0.4813 §
`disca_s500_28c_fppf`	75.4569	54.000	58.000	8599.47	1.841×	10.342 §	0.3920 §	0.5037 §
`disca_s1000_28c_fppf`	77.3960	54.000	58.000	8599.13	1.841×	11.171 §	0.4119 §	0.5065 §

≈2×
`naive2step_28c`	78.7351	—	58.000	8139.14	1.945×	11.024 §	0.4163 §	0.4844 §

HY-WorldPlay（I2V，VBench-I2V-100）

第三个基模：HY-WorldPlay 的 4-step 蒸馏自回归 I2V 模型（HunyuanVideo-1.5 架构，54 个 double-stream block，480×832，125 帧 = 8 chunk × 4 步 = 32 次去噪 forward）。评测集为 DEV 项目的 validation25：25 张 VBench-I2V 图 × 4 组双向相机动作 = 100 个视频，seed 0。两列 VBench 都基于 custom_input 模式下的同一组 Core5 五个画质维度（subject_consistency、background_consistency、motion_smoothness、aesthetic_quality、imaging_quality，后者先除以 100）：原始列是五项原始分的简单平均，口径与 HY-WorldPlay-DEV-Predictor 项目 experiment.md 第 8 节的 VBench Core5 一致，便于直接对照；归一列先按 VBench 官方 min-max 归一再平均，即 ((sc−0.1462)/0.8538 + (bc−0.2615)/0.7385 + (ms−0.7060)/0.2915 + aq + iq) / 5，与 251 表的质量组口径一致。平均 P = 32 − Full。耗时列为去噪路径（32 次 forward）的 GPU 时间，不含每 chunk 一次的 context KV pass 和文本 KV pass；加速比与同进程内同一 job 的 FFFF 配对。

策略	VBench-I2V-100 原始 (%)	VBench-I2V-100 归一 (%)	平均 P	Full	模型路径耗时 (ms)	加速比	PSNR	SSIM	LPIPS
原始调度（chunk 0 与其它 chunk 相同）
`ffff`	84.2562	83.3246	0.000	32.000	26412.97	1.000×	120.000	1.0000	0.0000

≈1.3×
`teacache_x1.3`	84.3669	83.4689	8.000	24.000	19930.69	1.325×	20.117	0.7697	0.1102
`taylorseer_x1.3`	84.2522	83.3337	7.000	25.000	22387.68	1.180×	18.140	0.6780	0.1582
`motioncache_x1.3`	84.2313	83.3155	8.000	24.000	23101.18	1.143×	17.845	0.6725	0.1642
`naive3step`	84.2911	83.3647	—	24.000	20351.22	1.330×	19.353	0.7400	0.1261
`reuse_FRFF`	84.2897	83.3844	8.000	24.000	20673.89	1.309×	18.187	0.6792	0.1575

≈1.75×
`teacache_x1.75`	84.2693	83.3820	11.320	20.680	17177.16	1.538×	17.638	0.6630	0.1781
`taylorseer_x1.75`	84.2668	83.3677	15.000	17.000	15685.12	1.684×	16.903	0.6269	0.2090
`motioncache_x1.75`	84.2535	83.3566	14.382	17.618	17322.76	1.525×	17.001	0.6305	0.2058

≈2×
`naive2step`	84.2625	83.3436	—	16.000	13670.78	1.979×	18.023	0.6641	0.1771
`reuse_FRRF`	84.2277	83.3291	16.000	16.000	13895.92	1.947×	17.001	0.6288	0.2081

≈2.85–3×
`teacache_Fxxx_x2.85`	82.8598	81.7531	19.380	12.620	10516.41	2.512×	16.115	0.5980	0.2634
`taylorseer_Fxxx_x2.85`	82.4336	81.1889	21.000	11.000	10475.24	2.522×	15.394	0.5608	0.3208
`motioncache_Fxxx_x2.85`	81.3278	79.9229	22.295	9.705	10594.27	2.494×	15.160	0.5474	0.3761

≈3.3–4×
`naive1step`	83.1146	82.0591	—	8.000	6940.58	3.899×	16.096	0.5808	0.2998
`reuse_FRRR`	81.2746	79.8838	24.000	8.000	7182.47	3.767×	15.043	0.5461	0.3698

首 chunk FFFF（`_c0FFFF`；Predictor 行 chunk 0 固定全算）

≈1.3×
`naive3step_c0FFFF`	84.2618	83.3402	—	25.000	20247.11	1.305×	21.728 §	0.7794 §	0.1072 §
`reuse_FRFF_c0FFFF`	84.2477	83.3293	7.000	25.000	20320.55	1.300×	19.967 §	0.7262 §	0.1315 §

≈1.75×
`teacache_x1.75_c0FFFF`	84.2781	83.3869	14.000	18.000	14225.79	1.857×	18.616 §	0.6855 §	0.1668 §
`taylorseer_x1.75_c0FFFF`	84.2736	83.3736	14.000	18.000	15502.48	1.704×	18.598 §	0.6845 §	0.1670 §
`motioncache_x1.75_c0FFFF`	84.2630	83.3633	13.930	18.070	16165.60	1.634×	18.587 §	0.6843 §	0.1672 §
`disca_s1_fppf`	84.1670	83.2478	14.000	18.000	14662.50 ¶	1.801× ¶	19.668	0.7233	0.1346
`disca_s500_fppf`	待打分	待打分	14.000	18.000	14841.37 ¶	1.780× ¶	19.350	0.7120	0.1410
`disca_s1000_fppf`	84.1546	83.2336	14.000	18.000	14720.59 ¶	1.794× ¶	19.660	0.7216	0.1350
`atc_s1_fppf`	84.1847	83.2703	14.000	18.000	15812.57 ¶	1.670× ¶	20.056	0.7439	0.1257
`atc_s2_s500_fppf_c0FFFF`	84.2119	83.3056	14.000	18.000	20950.51 ¶	1.261× ¶	20.183	0.7480	0.1205
`atc_s2_s800_fppf_c0FFFF`	84.2323	83.3288	14.000	18.000	15629.35 ¶	1.690× ¶	20.457	0.7570	0.1163
`atc_s2_s1000_fppf_c0FFFF`	84.2230	83.3159	14.000	18.000	15566.46 ¶	1.697× ¶	20.265	0.7537	0.1176
`atc_s2_s1500_fppf_c0FFFF`	84.2264	83.3206	14.000	18.000	15546.63 ¶	1.699× ¶	20.581	0.7628	0.1137
`atc_s2_s2000_fppf_c0FFFF`	84.2402	83.3379	14.000	18.000	18191.28 ¶	1.452× ¶	20.519	0.7611	0.1144
`naive2step_c0FFFF`	84.2625	83.3447	—	18.000	14095.82	1.874×	19.723 §	0.7122 §	0.1480 §
`reuse_FRRF_c0FFFF`	84.2781	83.3869	14.000	18.000	14188.73	1.862×	18.616 §	0.6855 §	0.1668 §

≈2.85–3×
`teacache_Fxxx_x2.85_c0FFFF`	82.6370	81.4356	18.320	13.680	10420.56	2.535×	17.402 §	0.6493 §	0.2323 §
`taylorseer_Fxxx_x2.85_c0FFFF`	81.6863	80.2616	21.000	11.000	9202.77	2.870×	16.731 §	0.6155 §	0.2800 §
`motioncache_Fxxx_x2.85_c0FFFF`	81.4090	79.9492	20.875	11.125	10491.83	2.517×	16.788 §	0.6167 §	0.2840 §
`disca_s1_fppp`	81.9808	80.7777	21.000	11.000	8802.08 ¶	3.001× ¶	18.980	0.6791	0.2445
`disca_s1000_fppp`	82.0229	80.8101	21.000	11.000	8728.97 ¶	3.026× ¶	18.891	0.6772	0.2430
`atc_s1_fppp`	81.9767	80.7813	21.000	11.000	10200.68 ¶	2.589× ¶	19.270	0.6931	0.2328
`atc_s2_s500_fppp_c0FFFF`	82.8711	81.7725	21.000	11.000	12327.93 ¶	2.143× ¶	19.203	0.6956	0.2063
`atc_s2_s800_fppp_c0FFFF`	82.7394	81.6377	21.000	11.000	9916.60 ¶	2.664× ¶	19.352	0.6991	0.2087
`atc_s2_s1000_fppp_c0FFFF`	82.7097	81.5668	21.000	11.000	10035.86 ¶	2.632× ¶	19.248	0.6952	0.2097
`atc_s2_s1500_fppp_c0FFFF`	82.7710	81.6625	21.000	11.000	9942.50 ¶	2.657× ¶	19.317	0.6989	0.2069
`atc_s2_s2000_fppp_c0FFFF`	82.7682	81.6582	21.000	11.000	11259.37 ¶	2.346× ¶	19.336	0.6989	0.2077
`naive1step_c0FFFF`	83.6264	82.6327	—	11.000	7928.52	3.331×	17.717 §	0.6393 §	0.2345 §
`reuse_FRRR_c0FFFF`	81.5309	80.0960	21.000	11.000	8070.78	3.273×	16.796 §	0.6174 §	0.2812 §

LingBot-World-V2-1.3B-Causal-Fast（I2V，VBench-I2V-100）

第四个基模：LingBot-World-V2 的 1.3B causal-fast 蒸馏自回归 I2V 世界模型（Wan2.1-1.3B block-causal 架构，30 个 block，相机 Plucker 条件，480×832，16 fps，125 帧 = 8 chunk × 4 latent × 4 步 = 32 次去噪 forward，KV 窗口 18 latent、sink 6）。评测协议与 HY-WorldPlay 完全相同：validation25 的 25 张图 × 4 组双向相机动作 = 100 个视频，seed 0，Core5 五维、原始/归一两列同上；相机动作把 HY 的逐 latent 位姿（前进 0.08 单位/latent、旋转 3°/latent，前半程正向、后半程反向）换算成 LingBot 需要的逐帧 OpenCV c2w 位姿（4 帧/latent），内参取模型 480×832 示例数据的 fx = fy ≈ 415.6。这里的 reuse_* 复用的是 velocity 而不是 block 残差：R 步完全不调用 DiT，直接把上一次算出的 flow 预测当作本步预测（x0 = x_t − σ_t·v_prev），再照常 renoise；因此 R 步耗时≈0，FRFF/FRRF/FRRR 的 Full 精确为 24/16/8。三个缓存方法（TeaCache / TaylorSeer / MotionCache）按 cachelib 的同一套移植接在 30 个 block 的循环上（block 级重实现与官方 forward 逐位一致，lb_test_exact.py），操作点沿用 HY 的流程：TeaCache 的 rescale 多项式用 3 个 case × 125 帧标定（lb_coeff.json，一次多项式，R² 0.63）；x1.3 由 compute fraction 二分得到（lb_sweep_*.json，61 帧）；x1.75 / Fxxx_x2.85 及其 _c0FFFF 变体在 61 帧、配对 FFFF 的实测加速比网格上定点（lb_point_v2.json / lb_point_c0.json，选点规则与 HY 相同）。naive 减步按 Self-Forcing 的规则取 4 步网格的均匀子集（4 步网格 t = 999/937/833/624；3 步 = 999/833/624、2 步 = 999/624、1 步 = 999）。atc_chunk_* / disca_* 为 Layer-17 Predictor（lingbot-world-v2-a，Causal-Forcing-a 的同款移植：复制教师 block 17 + 融合模块，预测 head 输入的 final hidden；离线集 = 100 组 HY 训练图 × 4 动作 × 7 chunk × 3 相邻转移 = 8400 个样本，Stage-1 监督蒸馏 2000 步、全局 batch 64、fusion lr 1e-4 / block lr 1e-5，未做 Stage-2）；chunk 0 固定 FFFF，FPPF / FPPP 中 P 步锚定同 chunk 上一步的 hidden，FPF 只走 t = 999 / 937 / 624 三步（P 锚定 t = 999）；P 列为 Predictor 调用次数，Full 为完整 DiT 次数，Predictor 按 1/30 次 forward 计入算量。耗时列为去噪路径的 GPU 时间，不含每 chunk 一次的 context KV pass（t=0 的 KV 重写）；加速比与同进程内同一 job 的 FFFF 配对。

策略	VBench-I2V-100 原始 (%)	VBench-I2V-100 归一 (%)	平均 P	Full	模型路径耗时 (ms)	加速比	PSNR	SSIM	LPIPS
原始调度（chunk 0 与其它 chunk 相同）
`ffff`	82.3539	80.2586	0.000	32.000	6093.68	1.000×	120.000	1.0000	0.0000

≈1.3×
`teacache_x1.3`	82.1485	80.1311	8.000	24.000	4645.01	1.313×	15.926	0.5619	0.3094
`taylorseer_x1.3`	81.8251	79.8054	7.000	25.000	5023.59	1.214×	16.037	0.5614	0.3130
`motioncache_x1.3`	81.2355	79.1397	7.286	24.714	5070.72	1.203×	16.005	0.5622	0.3111
`naive3step`	82.1337	80.0778	—	24.000	4581.98	1.331×	15.369	0.4767	0.3358
`reuse_FRFF`	82.0735	80.0272	8.000	24.000	4573.81	1.332×	15.855	0.5632	0.3077

≈1.75×
`teacache_x1.75`	80.9831	78.8059	9.930	22.070	4330.60	1.408×	15.655	0.5365	0.3393
`taylorseer_x1.75`	76.6210	73.8544	16.000	16.000	3405.13	1.791×	15.126	0.4776	0.4592
`motioncache_x1.75`	79.4888	77.0818	13.937	18.063	3835.59	1.590×	15.496	0.5152	0.3733

≈2×
`naive2step`	80.5176	78.3186	—	16.000	3061.56	1.992×	14.945	0.4544	0.3699
`reuse_FRRF`	76.7683	73.5659	16.000	16.000	3059.20	1.992×	14.869	0.4767	0.4288

≈2.85–3×
`teacache_Fxxx_x2.85`	75.1360	71.6186	17.590	14.410	2895.33	2.106×	13.435	0.4067	0.5503
`taylorseer_Fxxx_x2.85`	70.8612	65.4422	21.000	11.000	2534.78	2.406×	11.432	0.2408	0.7647
`motioncache_Fxxx_x2.85`	71.0194	64.6213	23.623	8.377	2357.22	2.587×	11.080	0.2028	0.7918

≈3.3–4×
`naive1step`	75.1651	72.2501	—	8.000	1542.10	3.955×	14.197	0.4394	0.4368
`reuse_FRRR`	71.5376	65.4500	24.000	8.000	1541.77	3.952×	10.160	0.1762	0.8437

首 chunk FFFF（`_c0FFFF`；Predictor 行 chunk 0 固定全算）

≈1.3×
`naive3step_c0FFFF`	82.1607	80.1107	—	25.000	4720.24	1.292×	16.469	0.5485	0.2759
`reuse_FRFF_c0FFFF`	82.1895	80.1582	7.000	25.000	4720.73	1.292×	17.293	0.6455	0.2377

≈1.75×
`teacache_x1.75_c0FFFF`	78.9073	76.3152	14.000	18.000	3439.77	1.773×	16.656	0.5814	0.3268
`taylorseer_x1.75_c0FFFF`	77.4694	74.7649	13.000	19.000	3860.07	1.580×	16.253	0.5518	0.3966
`motioncache_x1.75_c0FFFF`	78.9094	76.3180	13.992	18.008	3733.35	1.634×	16.659	0.5815	0.3267
`atc_chunk_fppf`	80.0022	77.8061	14.000	18.000	3536.15	1.728×	17.301	0.6297	0.2778
`disca_fppf`	80.0298	77.8495	14.000	18.000	3481.70	1.755×	17.275	0.6279	0.2766
`atc_chunk_fpf`	80.2317	78.0594	7.000	18.000	3445.52	1.774×	16.765	0.5490	0.2936
`disca_fpf`	80.3026	78.1454	7.000	18.000	3413.59	1.790×	16.731	0.5497	0.2933
`naive2step_c0FFFF`	80.8730	78.7215	—	18.000	3342.15	1.825×	16.162	0.5342	0.3007
`reuse_FRRF_c0FFFF`	76.9432	73.7413	14.000	18.000	3340.95	1.825×	15.996	0.5476	0.3793

≈2.85–3×
`teacache_Fxxx_x2.85_c0FFFF`	76.7028	73.5163	14.650	17.350	3323.93	1.835×	15.709	0.5422	0.3865
`taylorseer_Fxxx_x2.85_c0FFFF`	62.0634	53.7016	21.000	11.000	2371.54	2.572×	12.114	0.2968	0.7078
`motioncache_Fxxx_x2.85_c0FFFF`	62.0254	53.9066	20.996	11.004	2265.94	2.691×	12.192	0.3137	0.6975
`atc_chunk_fppp`	73.6541	70.6632	21.000	11.000	2257.30	2.707×	16.577	0.5786	0.3895
`disca_fppp`	73.6381	70.4325	21.000	11.000	2166.88	2.820×	16.518	0.5565	0.3864
`naive1step_c0FFFF`	76.6593	73.9502	—	11.000	1960.37	3.111×	15.430	0.5203	0.3572
`reuse_FRRR_c0FFFF`	62.1155	53.9646	21.000	11.000	1961.77	3.109×	11.297	0.2748	0.7399

† 耗时来自该策略自己的生成运行（独占 GPU、单进程），与各基模 FFFF 首批记录相比得到加速比，未做同进程配对计时；按约定不再做 FFFF 重计时。其中 atc_chunk_s2_fpff（153/251 条）、atc_chunk_s2_fppf（155/251 条）、atc_chunk_s2_fppp（156/251 条）的耗时只来自生成时计时未被破坏的那部分 prompt：其余记录的原始计时被一次中断且遭遇 GPU 争用的配对重计时覆盖，已在记录中标记 latency_excluded 并从耗时均值剔除，VBench 与像素指标仍用全部 251 条。

‡ 该行有部分记录在生成时 GPU 被其他进程短暂共用（Sep 7 的 disca_s1000_*：GPU 4/7 上的 gpu_burn 占位，06:22–06:40，每策略约 84 条），这些记录事后在空闲 GPU 上只重跑策略路径重新计时（FFFF 不重跑，逐条核对算量一致，旧值保留在记录的 generation_run_latency）；其余记录为独占 GPU 的生成运行值。所有记录均为单进程计时。

§ 像素指标以 FFFF 运行写出的 MP4 解码帧为参考（其余行以 MP4 编码前的原始帧为参考）；同一批视频上实测差异：PSNR +0.10 dB、SSIM −0.024、LPIPS +0.012。cf_teacache_x2_c0FFFF 为混合（75/251 条用 MP4 参考）。

¶ hy_atc_s1_* / hy_disca_s1_* 来自 HY-WorldPlay-DEV-Predictor 的 validation25 评测（ATC Stage-1，predictor_v4_atc-full_transport-global-chunk_…_4gpu_bs8x2_steps2000，step 2000，FPPF/FPPP，chunk 0 四步全算——DEV 的 rollout 固定如此，Predictor 需要前一 chunk；FPPF = 18 full + 14 Predictor，FPPP = 11 + 21），耗时为该项目生成器的 host 端分段计时（ar_step_transformer + ar_step_predictor，即去噪路径，不含 context/history KV），与本表其它行的 CUDA event 计时口径接近但不完全相同；像素指标对照 DEV 项目 validation 的 FFFF 视频（与 hy_ffff 同源）。DisCa 为双 block Predictor（blocks [0,53]，Sep 8 用 --force_first_chunk_full 重跑）。hy_atc_s2_s<N>_* 为同一 ATC Stage-1 再经 on-policy detached chunk+timestep FPPP rollout 微调（4 卡、每卡 1 条轨迹 × 累积 2、flr 5e-5 / blr 5e-6、2000 steps）后第 N 步的权重，Sep 10 评测（DEV experiment.md 第 12 节），生成设置与 hy_atc_s1_* 相同。Predictor 步按 1/54（DisCa 2/54）次 forward 计入 Full。

读数备注

2.0× 是 FxxF 的算术上限（14/28），到了这一档 TeaCache / FlowCache / MotionCache 全部退化成"中间两步整体跳过、残差拷贝"，走的是同一条代码路径，所以三者数字一致；TaylorSeer 在 2.0× 上不同（逐模块拷贝 + 当前步调制），且略差。
FxxF 下 TaylorSeer 的一阶预测从未被触发：跳步前 chunk 内只算过 step 0，差分导数不存在，实际走的是 order-0（拷贝）。FFxx 调度就是为了让预测真正生效。
像素指标（PSNR 12–15 dB）与 VBench（掉 0–1.4 分）严重脱钩；在这个设定里 PSNR/SSIM 只能当"偏离 FFFF 的程度"读，不是质量代理。
第一个 chunk 不该被缓存。 teacache_x2_c0FFFF 与 teacache_x2 用同一个阈值，唯一区别是 chunk 0 走满 FFFF 四步（算力 16/28 vs 14/28）。Self-Forcing 上 VBench 从 78.7743 升到 79.7515（**+0.98，把相对 FFFF 的 1.76 分差距砍掉 55%），像素保真度改善更大：PSNR 13.02→16.61（+3.59 dB）、SSIM 0.4222→0.6511、LPIPS 0.4854→0.1883（几乎减半）。逐维增益集中在外观类（imaging_quality +0.021、aesthetic_quality +0.021、subject_consistency +0.014、scene +0.011），dynamic_degree −0.014（画面更稳）。机理很直接：第一个 chunk 没有前序 chunk 可复用，且整段视频的外观都继承自它，缓存它等于把误差灌进后面所有 chunk。值得注意的是它同时又快又好于** teacache_x1.3（1.788× vs 1.240×，79.75 vs 79.59，PSNR 16.61 vs 15.16）——「首 chunk 全算 + 后续激进缓存」比「全程温和缓存」是更优的算力分配。
首 chunk FFFF 对三种方法、三个档位都成立（SF，_c0FFFF 行，Sep 6）。 同参数下 VBench 一律上升：TeaCache 1.3× 79.59→80.39、1.6× 78.99→80.06（+1.07，1.353×）、Fxxx 3× 58.68→61.31；TaylorSeer 1.3× 79.83→80.44、1.75× 78.63→79.44、Fxxx 2.85× 60.30→65.54（**+5.2）；MotionCache 1.3× 79.23→79.97、1.75× 79.03→80.34（+1.31**，已到 FFFF 的 80.54 只差 0.2）、Fxxx 2.85× 58.60→62.04。像素保真度更是整体抬升一个台阶：FxxF 各档 PSNR 从 13.0–15.2 dB 升到 16.7–20.4 dB、LPIPS 从 0.32–0.52 降到 0.09–0.21；Fxxx 档 PSNR 也从 11.7–11.9 升到 14.0–14.3。代价是首 chunk 多算 1–3 次 forward，实测加速比回落 0.08–0.6×（1.3× 档几乎不亏：1.24→1.16、1.30→1.26、1.14→1.13；3× 档亏最多：3.47→2.89、2.95→2.37、2.54→1.90）。两点值得写进论文：(i) motioncache_x1.75_c0FFFF 在 1.445× 上达到 80.34 / PSNR 16.75，是 SF 上所有非 FFFF 配置里最接近 FFFF 的一档；(ii) 即便首 chunk 全算，Fxxx 仍停在 61–66 分——最后一步的损失是逐 chunk 局部的，不是从首 chunk 传下来的，所以两条规则相互独立：首 chunk 全算、最后一步全算。
首 chunk FFFF 在 Causal-Forcing 上同样成立，但 1.3× 档没有余量。 CF 的 FFFF 是 81.17，而三种方法的 1.3× 原版已经在 81.2–81.6（与 FFFF 持平或更高，属评测噪声），所以 _c0FFFF 在这一档 VBench 变化在 ±0.3 内（TeaCache 81.22→81.04、TaylorSeer 81.62→81.31、MotionCache 81.25→81.39）；但只要原版有损失，首 chunk 全算就把损失补回来：TeaCache 2× 79.97→81.18（+1.21，1.789× 下回到 FFFF 的 81.17；PSNR 11.90→14.43），1.75× TaylorSeer 79.95→80.74、MotionCache 80.67→81.11（回到 FFFF 水平），Fxxx 档 TaylorSeer 60.96→65.46、MotionCache 59.58→64.08（各 +4.5）、TeaCache 65.02→65.66。像素保真度则和 SF 一样全面抬升：FxxF 各档 PSNR 12.0–13.2→14.4–16.5、LPIPS 0.34–0.52→0.14–0.27。SF/CF 两个基模合起来，16 组同参数对照中 VBench 14 升 2 平（2 平的都是原本已到 FFFF 的 CF 1.3× 档），PSNR 16/16 上升。
naive 减步是很强的对照。 在 Causal-Forcing 上按等算力配对（Full 完全相同）：21/28 档 naive3step 81.40 vs reuse_FRFF 81.31，14/28 档 80.57 vs 80.04，7/28 档 75.52 vs 58.86——直接少走几步全面不输于、低算力时远好于固定位置的残差复用，因为 FRRR 只算首步、其余三步复用同一个残差，误差累积到崩溃。更关键的是 naive2step（14/28、80.57）优于所有缓存方法在同一算力下的成绩（teacache_x2 / motioncache_x2 均为 79.97–79.99），即在这个基模上「直接少走两步」比「走满四步再缓存两步」更划算。
HY-WorldPlay 上 naive 减步几乎免费，直接复用不是（Sep 6，Core5 原始分）。 naive3step 84.29、naive2step 84.26 与 FFFF 84.26 持平，naive1step 83.11（−1.1）却拿到 3.90×；像素上 naive3/2/1 的 PSNR 19.4 / 18.0 / 16.1。等算力对照：24/32 档 naive3step 84.29 ≈ reuse_FRFF 84.29 ≈ teacache_x1.3 84.37；16/32 档 naive2step 84.26 ≈ reuse_FRRF 84.23；8/32 档 naive1step 83.11 vs reuse_FRRR 81.27（**+1.8**，PSNR 16.1 vs 15.0）。也就是说 HY 这类蒸馏 AR 模型对步数极不敏感（4 步→2 步无损、→1 步只掉 1 分），三种缓存方法在 FxxF 下做到的 1.5–1.7× 都被 naive2step 的 1.98× 无损覆盖；缓存方法唯一还能争的是 2.5–2.9× 那一档，而那一档它们（81.3–82.9）也输给 naive1step（83.1，3.9×）。把 Self-Forcing/Causal-Forcing 上「naive 减步强于缓存」的结论推广到 HY 是成立的，而且更极端。
首 chunk FFFF + naive 减步是 CF 上目前最强的算力分配（Sep 7）。 后 6 个 chunk 减步、chunk 0 仍走 4 步：naive3step_c0FFFF 81.39（22/28，1.284×）、naive2step_c0FFFF 81.71（16/28，1.807×，高于 FFFF 的 81.17）、naive1step_c0FFFF 79.15（10/28，3.048×）。对比同算力的其它配置：16/28 档 teacache_x2_c0FFFF = reuse_FRRF_c0FFFF 81.18、taylorseer_x1.75_c0FFFF(17) 80.74；10/28 档所有 Fxxx 缓存方法 61–66、reuse_FRRR_c0FFFF 59.5，而 naive1step_c0FFFF 79.15 领先 13 分以上——原因同前：减步让最后一次预测仍在 t=1000 这一训练过的时间步上做（对 1 步就是唯一一步），而 Fxxx 是把最后一步换成过期残差。首 chunk FFFF 对 naive 的增益随减步幅度放大：3 步 −0.01、2 步 +1.14、1 步 +3.63（75.52→79.15），像素指标也从 11.5–11.9 dB 抬到 14.1–14.4 dB。直接复用（reuse）在同算力下始终不如减步：22/28 档 81.34 vs 81.39，16/28 档 81.18 vs 81.71，10/28 档 59.5 vs 79.2。
HY 上首 chunk FFFF 对基线的作用小得多（Sep 7）。 naive/reuse 六个 _c0FFFF 变体里，VBench 只有本来有损的两个动了：naive1step 83.11→83.63（+0.51，3.90×→3.33×）、reuse_FRRR 81.27→81.53（+0.26，3.77×→3.27×）；已在 FFFF 水平的 3 步 / 2 步 / FRFF / FRRF 保持不变（±0.05）。像素指标仍全面上升（PSNR +1.6–2.4 dB，如 naive2step 18.0→19.7、naive3step 19.4→21.7）。这与 HY 是 I2V 一致：chunk 0 有输入图像做强条件，外观不像 T2V 那样完全由首 chunk 决定，所以 SF/CF 上 +1～+3.6 的 VBench 增益在 HY 上只剩零点几分。ATC Stage-1 predictor（atc_s1_fppf，DEV 项目 validation25）在 1.67× 下 84.18 / PSNR 20.1，像素保真度高于同速的 teacache_x1.75（PSNR 17.6）、与 naive2step_c0FFFF（1.87×，PSNR 19.7）相当。
HY 缓存方法在 c0FFFF 下重新搜参后达到了目标档位（Sep 8，*_x1.75_c0FFFF / *_Fxxx_x2.85_c0FFFF）。 实测加速比 TeaCache 1.857× / 2.535×、TaylorSeer 1.704× / 2.870×、MotionCache 1.634× / 2.517×（之前为 1.54 / 2.51、1.68 / 2.52、1.53 / 2.49）。FxxF 档三者 VBench 全部保持 FFFF 水平（84.26–84.28 vs 84.26），像素指标比原版高 1–2 dB（PSNR 18.6 vs 16.9–17.6）；但这一档 TeaCache 与 TaylorSeer 落到的都是「后 7 chunk 中间两步全跳」的量化上限点（Full = 18/32），与 reuse_FRRF_c0FFFF 算力等价、结果也几乎一样（84.28 / PSNR 18.6），只有 MotionCache 仍保留 27% 的 token 级活跃步。Fxxx 档 VBench 82.6 / 81.7 / 81.4，与原版持平或略低（TaylorSeer 82.43→81.69 是换了更激进的 interval 3.9 以换取 2.52×→2.87×），像素指标同样 +1.2–1.6 dB。同算力对照仍然是 naive 减步占优：16–18/32 档 naive2step_c0FFFF 84.26 / 1.87× / PSNR 19.7 不输任何缓存方法，11/32 档 naive1step_c0FFFF 83.63 / 3.33× 高出所有 Fxxx 缓存点 1–2 分。ATC Stage-1 predictor atc_s1_fppp 在 2.59× 下 81.98 / PSNR 19.3——VBench 与 Fxxx 缓存点相当，像素保真度高 2–3 dB。DisCa Stage-1（双 block，blocks [0,53]，同样 chunk 0 全算）disca_s1_fppf 84.17 / PSNR 19.7 / LPIPS 0.135，1.80×：VBench 与 ATC 持平，像素保真度介于 ATC（20.1 / 0.126）与 naive2step_c0FFFF（19.7 / 0.148）之间，高于残差复用类（18.6 / 0.167）。FPPP 档 disca_s1_fppp 81.98 / PSNR 19.0（3.00×）与 atc_s1_fppp 81.98 / 19.3（2.59×）持平，仍低于 naive1step_c0FFFF 83.63。DisCa 的 step-1000 与 step-2000 checkpoint 几乎无差别（FPPF 84.15 vs 84.17，FPPP 82.02 vs 81.98，像素指标差 <0.1 dB）——HY 上 DisCa 在 1000 步已收敛，与 CF 上 DisCa 1000→2000 步 FPPP +3.7 的情况不同。
长视频（Sep 8，*_14c_* / *_28c_*：14 / 28 chunk = 165 / 333 帧，超过 21 帧训练上下文后 KV 走 21 帧滚动窗口）。 14 chunk 时 FFFF 自身从 81.17 降到 81.01（14c_ffff；subject_consistency 95.7→92.7、background 95.8→94.1，scene 反而 56.0→61.3），说明滚动窗口下长程一致性本身在退化。ATC-chunk FPPF 在 14 chunk 上 1.766×：Stage-1 80.57（相对 14c_ffff −0.43，7 chunk 时是 +0.38）、Stage-2 80.97（−0.03）；像素指标从 7 chunk 的 PSNR 14.6 / LPIPS 0.22 降到 12.8 / 0.34——Predictor 的误差随 chunk 累积（前 7 chunk 之后没有 FFFF 的「重锚定」），Stage-2（随机出口 DMD）在长视频上比 Stage-1 稳得多（VBench +0.40，主要是 subject/background consistency）。28 chunk（333 帧）时趋势放大：FFFF 自身掉到 77.99（subject 95.7→88.3、background 95.8→89.6、aesthetic 66.6→62.2——滚动窗口下的长程漂移是基模本身的问题），ATC Stage-1 FPPF 77.48（−0.51）、Stage-2 78.65（+0.67，高于同长度 FFFF；subject 89.1 vs 88.3、background 91.3 vs 89.6），加速比 1.793×；像素指标继续下滑到 PSNR 11.0 / LPIPS 0.47–0.48。三种长度合起来：Stage-1 相对同长度 FFFF 为 +0.38 / −0.43 / −0.51，Stage-2 为 +0.08 / −0.03 / +0.67——随机出口 DMD 训练出来的 Predictor 不会随视频变长而退化，反而在 FFFF 自己漂移最严重的 28 chunk 上略优于 FFFF。
长视频上的 checkpoint 扫描（Sep 11–12，CF 14 / 28 chunk，FPPF，chunk 0 FFFF；HY 16 / 32 chunk 进行中）。 对比 DisCa Stage-1 的 step 500 / 1000 / 2000、ATC Stage-2（随机出口 DMD，EMA）的 step 500 / 1000 / 2000 与 naive 2 步（naive2step_<n>c：chunk 0 四步全算，之后每 chunk 只走 t=1000 / 250，与 cf_naive2step_c0FFFF 同一子集），三者 Full 完全相同（14 chunk 30/56、28 chunk 58/112），参考帧读同长度 FFFF 的 MP4（§）。14 chunk：ATC Stage-2 s500 / s1000 / s2000 = 81.08 / 81.11 / 80.97（FFFF 81.01，1.77–1.78×），DisCa s500 / s1000 / s2000 = 80.12 / 80.51 / 80.60（1.82×），naive2step_14c 80.79（1.91×）；28 chunk：ATC Stage-2 78.55 / 78.84 / 78.65（FFFF 77.99，1.80×），DisCa 75.46 / 77.40 / 77.87（1.84×），naive2step_28c 78.74（1.95×）。三点读数：(i) ATC Stage-2 三个 step 相差不到 0.15（14c）/ 0.3（28c），s500 就已经到达平台并且不低于同长度 FFFF——Stage-2 对长视频的增益来得很早，2000 步不是必要条件；(ii) DisCa 随步数单调上升，但 2000 步仍低于 FFFF 与 naive，且视频越长早期权重掉得越多（28c 的 s500 比 FFFF 低 2.5）——没有前一 chunk 通道的 Predictor 在长视频上误差累积更快；(iii) 等 Full 的 naive 2 步与最好的 ATC Stage-2 在 14c 只差 0.3、28c 持平（78.74 vs 78.84），像素指标也几乎相同（PSNR 12.6 vs 12.7–12.8、11.0 vs 11.1），而 naive 的实测加速比更高（Predictor 调用的真实开销高于按 1/30 forward 记的算量）——在 CF 的长视频上，ATC Stage-2 相对 naive 减步的优势只剩零点几分，主要收益是不低于 FFFF 的一致性指标（subject / background consistency）。HY 的 16 / 32 chunk 行（64 / 128 latent，相机动作等比拉长）生成中，完成后补入 HY 表。
FPF（Sep 8）：chunk 内只走 3 个时间步——t=1000 全算、t=750 一步 Predictor（锚定 t=1000，与训练一致）、跳过 t=500、t=250 全算。 ATC-chunk Stage-1 的 atc_chunk_fpf 在 1.773× 下 81.30（FFFF 81.17，同算力 16 full 的 atc_chunk_fppf 81.55 / 1.697×，naive3step 81.40 / 1.327×），像素指标 PSNR 14.5 / LPIPS 0.24 与 FPPF 相当。也就是说少调用一次 Predictor、直接跳过一个时间步，质量几乎不变而更快——和 naive 减步同一逻辑：中间步的价值主要在于让最后一步有一个好的起点，而不在于步数本身。
MotionCache 在 1.3×/1.6× 的实测加速比明显低于 compute 折算（差 9–11 个百分点）：逐 token 选择与 selective forward 的簿记开销是真实存在的；Fxxx 下更甚，compute 3.0× 只换来实测 1.85–1.95×。
最后一步不能缓存。 凡是让 step 3 走缓存的配置——Fxxx 全部、FFxx 在 ≥1.6× 时——VBench 掉 15–25 分：imaging/aesthetic 从 ~0.66 掉到 0.41–0.50，scene 从 ~0.57 掉到 0.03–0.37，而 dynamic_degree 从 0.69–0.82 升到 0.89–0.96，即残留噪声没有被去掉、画面在抖。FFxx ×1.3 实际是 FFxF（最后一步仍算），质量与 FxxF ×1.3 相当。
TaylorSeer 的一阶预测在 FFxx 下确实被触发了，但 ≥1.6× 时把预测用在了最后一步，"预测 vs 拷贝"与"跳不跳最后一步"在这组数据里是混在一起的；要单独检验预测本身，需要最后一步必算、中间步用一阶预测的调度（如 FFxF，上限 1.33×）。
Fxxx 下 TeaCache/FlowCache 的阈值在 3 条 prompt 上搜到 ~3.0× compute，251 条上实际为 3.4–3.6×（Self-Forcing）/ 2.8–2.9×（Causal-Forcing）：indicator 跨 chunk 几乎不变，可达点是 {1, 2, 4}× 的台阶，中间值靠少数 chunk 落在台阶另一侧凑出，随 prompt 集漂移。MotionCache（逐 token）和 TaylorSeer（确定性调度）不漂。

2. 各策略的配置参数

阈值类方法（TeaCache / FlowCache / MotionCache）的 thresh 作用在重标定后的累计相对 L1 距离上（calibrate.py 按 TeaCache 的拟合流程得到的 1 次多项式，见下方系数），indicator 为时间步调制后的噪声输入（TeaCache 原始定义，非 Wan 移植的 e0）。TaylorSeer 的 interval 为平均刷新间隔，小数部分用 Bresenham 交替在相邻整数间隔间实现，max_order=1。固定超参：FlowCache group_size=1（3 帧组/chunk）；MotionCache weight_norm=mean、min_update_ratio=0、无 temporal consistency。"搜索时 Full"是定参数时在搜索/配对 prompt 上的 compute，251 条上的实际值见第 1 节。

Self-Forcing

重标定多项式系数（最高次在前）：0.611279, -0.168851

策略	方法	调度	参数	取值	目标加速比	搜索时 Full	来源
`ffff`	无缓存	FFFF	—	—	1.0×	28.000	—
`teacache_x1.3`	TeaCache	FxxF	`thresh`	0.634766	1.3×	21.600	final_self_forcing.json，held-out 漂移 -0.079
`teacache_x1.3`	TeaCache	FxxF（首 chunk FFFF）	`thresh`	0.634766	1.3×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`teacache_x1.6`	TeaCache	FxxF	`thresh`	1.25065	1.6×	19.200	final_self_forcing.json，held-out 漂移 -0.032
`teacache_x1.6`	TeaCache	FxxF（首 chunk FFFF）	`thresh`	1.25065	1.6×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`teacache_x1.75`	TeaCache	FxxF	`thresh`	1.2496	1.75×	21.000	final_self_forcing_v2.json，按实测加速比定点（扫描 1.337×）；below band (reachable speedups are quantised)
`teacache_x2`	TeaCache	FxxF	`thresh`	1.29167	2×	14.000	final_self_forcing.json，held-out 漂移 +0.000
`teacache_x2`	TeaCache	FxxF（首 chunk FFFF）	`thresh`	1.29167	2×	nan	final_self_forcing_c0full.json，3-prompt 搜索点，未经 finalize
`teacache_Fxxx_x2.85`	TeaCache	Fxxx	`thresh`	0.9	2.85×	14.000	final_self_forcing_v2.json，按实测加速比定点（扫描 1.969×）；below band (reachable speedups are quantised)
`teacache_Fxxx_x3`	TeaCache	Fxxx（首 chunk FFFF）	`thresh`	1.72656	3×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`teacache_Fxxx_x3`	TeaCache	Fxxx	`thresh`	1.72656	3×	9.667	final_self_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`flowcache_x1.3`	FlowCache	FxxF	`thresh`	0.635946	1.3×	21.433	final_self_forcing.json，held-out 漂移 -0.038
`flowcache_x1.6`	FlowCache	FxxF	`thresh`	1.25	1.6×	18.333	final_self_forcing.json，held-out 漂移 -0.070
`flowcache_x2`	FlowCache	FxxF	`thresh`	1.29167	2×	14.000	final_self_forcing.json，held-out 漂移 +0.000
`flowcache_Fxxx_x3`	FlowCache	Fxxx	`thresh`	1.72461	3×	10.111	final_self_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_x1.3`	TaylorSeer	FxxF	`interval`	2.08333	1.3×	21.000	final_self_forcing.json，held-out 漂移 +0.000
`taylorseer_x1.3`	TaylorSeer	FxxF（首 chunk FFFF）	`interval`	2.08333	1.3×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`taylorseer_x1.6`	TaylorSeer	FxxF	`interval`	2.58333	1.6×	17.000	final_self_forcing.json，held-out 漂移 +0.000
`taylorseer_x1.75`	TaylorSeer	FxxF（首 chunk FFFF）	`interval`	2.75	1.75×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`taylorseer_x1.75`	TaylorSeer	FxxF	`interval`	2.75	1.75×	15.000	final_self_forcing_v2.json，按实测加速比定点（扫描 1.777×）
`taylorseer_x2`	TaylorSeer	FxxF	`interval`	2.91667	2×	14.000	final_self_forcing.json，held-out 漂移 +0.000
`taylorseer_FFxx_x1.3`	TaylorSeer	FFxx	`interval`	1.8125	1.3×	22.000	final_self_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_FFxx_x1.6`	TaylorSeer	FFxx	`interval`	2.375	1.6×	18.000	final_self_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_FFxx_x2`	TaylorSeer	FFxx	`interval`	2.875	2×	14.000	final_self_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_Fxxx_x2.85`	TaylorSeer	Fxxx（首 chunk FFFF）	`interval`	3.65	2.85×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`taylorseer_Fxxx_x2.85`	TaylorSeer	Fxxx	`interval`	3.65	2.85×	9.000	final_self_forcing_v2.json，按实测加速比定点（扫描 2.870×）
`motioncache_x1.3`	MotionCache	FxxF（首 chunk FFFF）	`thresh`	0.755981	1.3×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`motioncache_x1.3`	MotionCache	FxxF	`thresh`	0.755981	1.3×	21.574	final_self_forcing_mc.json，held-out 漂移 +0.003
`motioncache_x1.6`	MotionCache	FxxF	`thresh`	1.24609	1.6×	17.333	final_self_forcing_mc.json，held-out 漂移 -0.008
`motioncache_x1.75`	MotionCache	FxxF（首 chunk FFFF）	`thresh`	1.35	1.75×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`motioncache_x1.75`	MotionCache	FxxF	`thresh`	1.35	1.75×	16.023	final_self_forcing_v2.json，按实测加速比定点（扫描 1.536×，活跃步 50%，选中 28%）；below band (token-wise decision goes vacuous above this point)
`motioncache_x2`	MotionCache	FxxF	`thresh`	2.5	2×	14.000	final_self_forcing_mc.json，held-out 漂移 +0.000
`motioncache_Fxxx_x2.85`	MotionCache	Fxxx（首 chunk FFFF）	`thresh`	1.95	2.85×	nan	final_self_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`motioncache_Fxxx_x2.85`	MotionCache	Fxxx	`thresh`	1.95	2.85×	7.550	final_self_forcing_v2.json，按实测加速比定点（扫描 2.537×，活跃步 43%，选中 8%）；below band (token-wise decision goes vacuous above this point)
`motioncache_Fxxx_x3`	MotionCache	Fxxx	`thresh`	1.79297	3×	9.342	final_self_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`euler_FFFF`	euler	FFFF	—	—	—	—	基线（无搜索参数）
`reuse_FRFF`	reuse	FRFF	—	—	—	—	基线（无搜索参数）
`reuse_FRRF`	reuse	FRRF	—	—	—	—	基线（无搜索参数）
`reuse_FRRR`	reuse	FRRR	—	—	—	—	基线（无搜索参数）

Causal-Forcing

重标定多项式系数（最高次在前）：0.807724, -0.413696

策略	方法	调度	参数	取值	目标加速比	搜索时 Full	来源
`ffff`	无缓存	FFFF	—	—	1.0×	28.000	—
`teacache_x1.3`	TeaCache	FxxF	`thresh`	0.649089	1.3×	21.400	final_causal_forcing.json，held-out 漂移 +0.025
`teacache_x1.3`	TeaCache	FxxF（首 chunk FFFF）	`thresh`	0.649089	1.3×	nan	final_causal_forcing_c0full.json，3-prompt 搜索点，未经 finalize
`teacache_x1.6`	TeaCache	FxxF	`thresh`	1.27604	1.6×	17.900	final_causal_forcing.json，held-out 漂移 +0.024
`teacache_x1.75`	TeaCache	FxxF	`thresh`	1.2754	1.75×	16.000	final_causal_forcing_v2.json，按实测加速比定点（扫描 1.785×）
`teacache_x2`	TeaCache	FxxF	`thresh`	1.29167	2×	14.000	final_causal_forcing.json，held-out 漂移 +0.000
`teacache_x2`	TeaCache	FxxF（首 chunk FFFF）	`thresh`	1.29167	2×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`teacache_Fxxx_x3`	TeaCache	Fxxx（首 chunk FFFF）	`thresh`	1.70117	3×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`teacache_Fxxx_x3`	TeaCache	Fxxx	`thresh`	1.70117	3×	9.000	final_causal_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`flowcache_x1.3`	FlowCache	FxxF	`thresh`	0.648763	1.3×	22.083	final_causal_forcing.json，held-out 漂移 +0.005
`flowcache_x1.6`	FlowCache	FxxF	`thresh`	1.27604	1.6×	17.125	final_causal_forcing.json，held-out 漂移 +0.004
`flowcache_x2`	FlowCache	FxxF	`thresh`	1.29167	2×	14.000	final_causal_forcing.json，held-out 漂移 +0.000
`flowcache_Fxxx_x3`	FlowCache	Fxxx	`thresh`	1.69922	3×	9.556	final_causal_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_x1.3`	TaylorSeer	FxxF（首 chunk FFFF）	`interval`	2.08333	1.3×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`taylorseer_x1.3`	TaylorSeer	FxxF	`interval`	2.08333	1.3×	21.000	final_causal_forcing_ts.json，held-out 漂移 +0.000
`taylorseer_x1.6`	TaylorSeer	FxxF	`interval`	2.58333	1.6×	17.000	final_causal_forcing_ts.json，held-out 漂移 +0.000
`taylorseer_x1.75`	TaylorSeer	FxxF（首 chunk FFFF）	`interval`	2.75	1.75×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`taylorseer_x1.75`	TaylorSeer	FxxF	`interval`	2.75	1.75×	15.000	final_causal_forcing_v2.json，按实测加速比定点（扫描 1.779×）
`taylorseer_x2`	TaylorSeer	FxxF	`interval`	2.91667	2×	14.000	final_causal_forcing_ts.json，held-out 漂移 +0.000
`taylorseer_FFxx_x1.3`	TaylorSeer	FFxx	`interval`	1.8125	1.3×	22.000	final_causal_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_FFxx_x1.6`	TaylorSeer	FFxx	`interval`	2.375	1.6×	18.000	final_causal_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_FFxx_x2`	TaylorSeer	FFxx	`interval`	2.875	2×	14.000	final_causal_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`taylorseer_Fxxx_x2.85`	TaylorSeer	Fxxx（首 chunk FFFF）	`interval`	3.65	2.85×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`taylorseer_Fxxx_x2.85`	TaylorSeer	Fxxx	`interval`	3.65	2.85×	9.000	final_causal_forcing_v2.json，按实测加速比定点（扫描 2.866×）
`motioncache_x1.3`	MotionCache	FxxF（首 chunk FFFF）	`thresh`	0.769531	1.3×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`motioncache_x1.3`	MotionCache	FxxF	`thresh`	0.769531	1.3×	21.450	final_causal_forcing_mc.json，held-out 漂移 -0.007
`motioncache_x1.6`	MotionCache	FxxF	`thresh`	1.26471	1.6×	17.612	final_causal_forcing_mc.json，held-out 漂移 +0.006
`motioncache_x1.75`	MotionCache	FxxF（首 chunk FFFF）	`thresh`	1.55	1.75×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`motioncache_x1.75`	MotionCache	FxxF	`thresh`	1.55	1.75×	14.393	final_causal_forcing_v2.json，按实测加速比定点（扫描 1.550×，活跃步 52%，选中 7%）；below band (token-wise decision goes vacuous above this point)
`motioncache_x2`	MotionCache	FxxF	`thresh`	2.875	2×	14.000	final_causal_forcing_mc.json，held-out 漂移 +0.000
`motioncache_Fxxx_x2.85`	MotionCache	Fxxx（首 chunk FFFF）	`thresh`	1.9	2.85×	nan	final_causal_forcing_c0full_more.json，3-prompt 搜索点，未经 finalize
`motioncache_Fxxx_x2.85`	MotionCache	Fxxx	`thresh`	1.9	2.85×	8.043	final_causal_forcing_v2.json，按实测加速比定点（扫描 2.316×，活跃步 65%，选中 8%）；below band (token-wise decision goes vacuous above this point)
`motioncache_Fxxx_x3`	MotionCache	Fxxx	`thresh`	1.76953	3×	9.308	final_causal_forcing_newsched.json，3-prompt 搜索点，未经 finalize
`naive3step`	FFFF	FFF	—	—	—	—	基线（无搜索参数）
`naive2step`	FFFF	FF	—	—	—	—	基线（无搜索参数）
`naive1step`	FFFF	F	—	—	—	—	基线（无搜索参数）
`reuse_FRFF`	reuse	FRFF	—	—	—	—	基线（无搜索参数）
`reuse_FRRF`	reuse	FRRF	—	—	—	—	基线（无搜索参数）
`reuse_FRRR`	reuse	FRRR	—	—	—	—	基线（无搜索参数）
`naive3step_c0FFFF`	FFFF	FFF	—	—	—	—	基线（无搜索参数）
`naive2step_c0FFFF`	FFFF	FF	—	—	—	—	基线（无搜索参数）
`naive1step_c0FFFF`	FFFF	F	—	—	—	—	基线（无搜索参数）
`reuse_FRFF_c0FFFF`	reuse	FRFF	—	—	—	—	基线（无搜索参数）
`reuse_FRRF_c0FFFF`	reuse	FRRF	—	—	—	—	基线（无搜索参数）
`reuse_FRRR_c0FFFF`	reuse	FRRR	—	—	—	—	基线（无搜索参数）

HY-WorldPlay

策略	方法	调度	参数	取值	目标加速比	来源
`ffff`	无缓存	FxxF	—	—	1×	—
`teacache_x1.3`	TeaCache	FxxF	`thresh`	0.242188	1.3×	hy_sweep_teacache.json；rescale 系数 hy_coeff.json
`teacache_x1.75`	TeaCache	FxxF	`thresh`	0.4767	1.75×	hy_point_v2.json；rescale 系数 hy_coeff.json
`teacache_x1.75_c0FFFF`	TeaCache	FxxF（首 chunk FFFF）	`thresh`	0.55	1.75×	hy_point_c0.json；rescale 系数 hy_coeff.json
`teacache_Fxxx_x2.85`	TeaCache	Fxxx	`thresh`	0.655	2.85×	hy_point_v2.json；rescale 系数 hy_coeff.json
`teacache_Fxxx_x2.85_c0FFFF`	TeaCache	Fxxx（首 chunk FFFF）	`thresh`	0.665	2.85×	hy_point_c0.json；rescale 系数 hy_coeff.json
`taylorseer_x1.3`	TaylorSeer	FxxF	`interval`	1.83333	1.3×	hy_sweep_taylorseer.json
`taylorseer_x1.75`	TaylorSeer	FxxF	`interval`	2.85	1.75×	hy_point_v2.json
`taylorseer_x1.75_c0FFFF`	TaylorSeer	FxxF（首 chunk FFFF）	`interval`	3	1.75×	hy_point_c0.json
`taylorseer_Fxxx_x2.85`	TaylorSeer	Fxxx	`interval`	3.65	2.85×	hy_point_v2.json
`taylorseer_Fxxx_x2.85_c0FFFF`	TaylorSeer	Fxxx（首 chunk FFFF）	`interval`	3.9	2.85×	hy_point_c0.json
`motioncache_x1.3`	MotionCache	FxxF	`thresh`	0.09375	1.3×	hy_sweep_motioncache.json
`motioncache_x1.75`	MotionCache	FxxF	`thresh`	0.2	1.75×	hy_point_v2.json
`motioncache_x1.75_c0FFFF`	MotionCache	FxxF（首 chunk FFFF）	`thresh`	0.36	1.75×	hy_point_c0.json
`motioncache_Fxxx_x2.85`	MotionCache	Fxxx	`thresh`	0.6	2.85×	hy_point_v2.json
`motioncache_Fxxx_x2.85_c0FFFF`	MotionCache	Fxxx（首 chunk FFFF）	`thresh`	0.9	2.85×	hy_point_c0.json
`naive3step`	无缓存	FFF	—	—	—	naive baseline
`naive2step`	无缓存	FF	—	—	—	naive baseline
`naive1step`	无缓存	F	—	—	—	naive baseline
`reuse_FRFF`	reuse	FRFF	—	—	—	naive cache baseline
`reuse_FRRF`	reuse	FRRF	—	—	—	naive cache baseline
`reuse_FRRR`	reuse	FRRR	—	—	—	naive cache baseline
`naive3step_c0FFFF`	无缓存	FFF（首 chunk FFFF）	—	—	—	naive baseline (chunk 0 FFFF)
`naive2step_c0FFFF`	无缓存	FF（首 chunk FFFF）	—	—	—	naive baseline (chunk 0 FFFF)
`naive1step_c0FFFF`	无缓存	F（首 chunk FFFF）	—	—	—	naive baseline (chunk 0 FFFF)
`reuse_FRFF_c0FFFF`	reuse	FRFF（首 chunk FFFF）	—	—	—	naive cache baseline (chunk 0 FFFF)
`reuse_FRRF_c0FFFF`	reuse	FRRF（首 chunk FFFF）	—	—	—	naive cache baseline (chunk 0 FFFF)
`reuse_FRRR_c0FFFF`	reuse	FRRR（首 chunk FFFF）	—	—	—	naive cache baseline (chunk 0 FFFF)
`atc_s1_fppf` / `atc_s1_fppp`	ATC Stage-1 predictor	FPPF / FPPP	—	—	—	HY-WorldPlay-DEV-Predictor validation25（¶）
`atc_s2_s{500,800,1000,1500,2000}_fppf` / `_fppp`	ATC Stage-1 + on-policy detached chunk+timestep FPPP rollout（step 500/800/1000/1500/2000）	FPPF / FPPP	—	—	—	HY-WorldPlay-DEV-Predictor validation25（¶）
`disca_s1_fppf` / `disca_s1_fppp`	DisCa Stage-1 predictor（双 block，step 2000）	FPPF / FPPP	—	—	—	HY-WorldPlay-DEV-Predictor validation25（¶）
`disca_s1000_fppf` / `disca_s1000_fppp`	DisCa Stage-1 predictor（step 1000）	FPPF / FPPP	—	—	—	HY-WorldPlay-DEV-Predictor validation25（¶）
`disca_s500_fppf`	DisCa Stage-1 predictor（step 500）	FPPF	—	—	—	HY-WorldPlay-DEV-Predictor validation25（¶）
`<n>c_ffff` / `naive2step_<n>c_c0FFFF`（n = 16 / 32）	长视频 FFFF 参考 / naive 2 步（首 chunk FFFF），253 / 509 帧	FFFF / FF	—	—	—	hycache，同进程配对 FFFF
`atc_s2_s{500,1000,2000}_<n>c_fppf_c0FFFF`、`disca_s{500,1000,2000}_<n>c_fppf`（n = 16 / 32）	ATC rollout / DisCa Stage-1 predictor 各 step 的长视频行（64 / 128 latent，相机动作等比拉长，pose-retrieved memory 上限 20 latent）	FPPF	—	—	—	HY-WorldPlay-DEV-Predictor 生成器（`hy_dev_gen_long.py`，¶），像素指标对照 `<n>c_ffff` 的 MP4

LingBot-World-V2-1.3B-Causal-Fast

策略	方法	调度	参数	取值	目标加速比	来源
`ffff`	无缓存	FxxF	—	—	1×	—
`teacache_x1.3`	TeaCache	FxxF	`thresh`	1	1.3×	lb_sweep_teacache.json；rescale 系数 lb_coeff.json
`teacache_x1.75`	TeaCache	FxxF	`thresh`	1.395	1.75×	lb_point_v2.json；rescale 系数 lb_coeff.json
`teacache_x1.75_c0FFFF`	TeaCache	FxxF（首 chunk FFFF）	`thresh`	1.48	1.75×	lb_point_c0.json；rescale 系数 lb_coeff.json
`teacache_Fxxx_x2.85`	TeaCache	Fxxx	`thresh`	1.905	2.85×	lb_point_v2.json；rescale 系数 lb_coeff.json
`teacache_Fxxx_x2.85_c0FFFF`	TeaCache	Fxxx（首 chunk FFFF）	`thresh`	1.9	2.85×	lb_point_c0.json；rescale 系数 lb_coeff.json
`taylorseer_x1.3`	TaylorSeer	FxxF	`interval`	1.83333	1.3×	lb_sweep_taylorseer.json
`taylorseer_x1.75`	TaylorSeer	FxxF	`interval`	3	1.75×	lb_point_v2.json
`taylorseer_x1.75_c0FFFF`	TaylorSeer	FxxF（首 chunk FFFF）	`interval`	2.85	1.75×	lb_point_c0.json
`taylorseer_Fxxx_x2.85`	TaylorSeer	Fxxx	`interval`	3.65	2.85×	lb_point_v2.json
`taylorseer_Fxxx_x2.85_c0FFFF`	TaylorSeer	Fxxx（首 chunk FFFF）	`interval`	3.9	2.85×	lb_point_c0.json
`motioncache_x1.3`	MotionCache	FxxF	`thresh`	1.40625	1.3×	lb_sweep_motioncache.json
`motioncache_x1.75`	MotionCache	FxxF	`thresh`	2.6	1.75×	lb_point_v2.json
`motioncache_x1.75_c0FFFF`	MotionCache	FxxF（首 chunk FFFF）	`thresh`	3.6	1.75×	lb_point_c0.json
`motioncache_Fxxx_x2.85`	MotionCache	Fxxx	`thresh`	3.9	2.85×	lb_point_v2.json
`motioncache_Fxxx_x2.85_c0FFFF`	MotionCache	Fxxx（首 chunk FFFF）	`thresh`	5	2.85×	lb_point_c0.json
`naive3step`	无缓存	FFF	—	—	—	naive baseline
`naive2step`	无缓存	FF	—	—	—	naive baseline
`naive1step`	无缓存	F	—	—	—	naive baseline
`reuse_FRFF`	reuse（velocity）	FRFF	—	—	—	naive cache baseline (velocity reuse)
`reuse_FRRF`	reuse（velocity）	FRRF	—	—	—	naive cache baseline (velocity reuse)
`reuse_FRRR`	reuse（velocity）	FRRR	—	—	—	naive cache baseline (velocity reuse)
`naive3step_c0FFFF`	无缓存	FFF（首 chunk FFFF）	—	—	—	naive baseline (chunk 0 FFFF)
`naive2step_c0FFFF`	无缓存	FF（首 chunk FFFF）	—	—	—	naive baseline (chunk 0 FFFF)
`naive1step_c0FFFF`	无缓存	F（首 chunk FFFF）	—	—	—	naive baseline (chunk 0 FFFF)
`reuse_FRFF_c0FFFF`	reuse（velocity）	FRFF（首 chunk FFFF）	—	—	—	naive cache baseline (velocity reuse) (chunk 0 FFFF)
`reuse_FRRF_c0FFFF`	reuse（velocity）	FRRF（首 chunk FFFF）	—	—	—	naive cache baseline (velocity reuse) (chunk 0 FFFF)
`reuse_FRRR_c0FFFF`	reuse（velocity）	FRRR（首 chunk FFFF）	—	—	—	naive cache baseline (velocity reuse) (chunk 0 FFFF)
`atc_chunk_fpf` / `atc_chunk_fppf` / `atc_chunk_fppp`	ATC Stage-1 predictor（block 17，previous_scope=chunk）	FPF / FPPF / FPPP（首 chunk FFFF）	—	—	—	lingbot-world-v2-a Stage-1，100 组图 × 4 动作离线集，2000 步
`disca_fpf` / `disca_fppf` / `disca_fppp`	DisCa Stage-1 predictor（block 17，无 previous-chunk 通道）	FPF / FPPF / FPPP（首 chunk FFFF）	—	—	—	lingbot-world-v2-a Stage-1，100 组图 × 4 动作离线集，2000 步