diffusers/v0.43.0/zh/optimization/cache_dit.md

CacheDiT

CacheDiT 通过在不同去噪步骤之间复用 transformer block 的输出，从而加速 DiT 流水线。它无需训练，并支持大多数 Diffusers DiT 流水线，包括 Flux、Qwen-Image、Wan 和 HunyuanVideo。Diffusers 还提供了 内置缓存，无需额外依赖。

从 PyPI 安装 CacheDiT。

pip install -U cache-dit

调用 cache_dit.supported_pipelines() 以列出 CacheDiT 支持的 pipeline 系列。

import cache_dit

cache_dit.supported_pipelines()

启用缓存

在管道上调用 cache_dit.enable_cache 以默认设置对其进行缓存，然后照常运行该管道。

import torch
import cache_dit
from diffusers import FluxPipeline

pipeline = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev", dtype=torch.bfloat16
).to("cuda")
cache_dit.enable_cache(pipeline)

image = pipeline(
    "A cat holding a sign that says hello world", num_inference_steps=28
).images[0]

CacheDiT 也支持 torch.compile。请在调用 enable_cache 之后再编译 transformer。有关避免在动态输入形状下重新编译的设置，请参阅 compile 文档。

pipeline.transformer = torch.compile(pipeline.transformer)

在推理后调用 cache_dit.summary，以记录缓存的步数以及各步之间的残差差异。

stats = cache_dit.summary(pipeline)

调用 cache_dit.disable_cache 以恢复原始 pipeline。

cache_dit.disable_cache(pipeline)

配置缓存

DBCache （双块缓存）在每一步计算前 n 个块（Fn）。当它们的输出与上一步相比几乎没有变化时，它会复用缓存的输出用于剩余的块，并且可以重新计算最后 n 个块（Bn）以进行修正。TaylorSeer 校准器会预测来自先前步骤的缓存输出，而不是直接复用该输出。

enable_cache 默认使用 DBCache，始终计算前 8 个块（F8B0），并执行 8 个未缓存的预热步骤。若要牺牲速度以换取质量，请提高 Fn_compute_blocks 或降低 residual_diff_threshold（默认值为 0.08）。若要在高缓存率下获得最佳质量，请添加 TaylorSeer 校准器。

from cache_dit import DBCacheConfig, TaylorSeerCalibratorConfig

cache_dit.enable_cache(
    pipeline,
    cache_config=DBCacheConfig(
        max_warmup_steps=8,
        Fn_compute_blocks=8,
        Bn_compute_blocks=0,
        residual_diff_threshold=0.12,
    ),
    calibrator_config=TaylorSeerCalibratorConfig(taylorseer_order=1),
)

对于受支持的流水线，CacheDiT 已经知道 CFG 是否作为独立的前向传播运行。对于其他模型，如果模型分别运行条件路径和无条件路径，请在 DBCacheConfig 中设置 enable_separate_cfg=True；如果模型将它们融合或不使用 CFG，则设置为 False。

请参阅 DBCache 设计 文档，了解 Fn 和 Bn 块的工作原理，并查看 缓存基准测试 以获取速度和质量的数值。

后续步骤

• 对于 CacheDiT 目前尚未支持的 pipelines，请参阅 BlockAdapter 文档。
• CacheDiT 还支持 上下文并行 和 量化。