# CacheDiT

[CacheDiT](https://github.com/vipshop/cache-dit) acelera los pipelines de DiT reutilizando las salidas de los bloques de transformer entre los pasos de desruido. No requiere entrenamiento y es compatible con la mayoría de los pipelines DiT de Diffusers, incluidos Flux, Qwen-Image, Wan y HunyuanVideo. Diffusers también cuenta con [cache integrada](./cache) que no requiere una dependencia adicional.

Instale CacheDiT desde PyPI.

```bash
pip install -U cache-dit
```

Llama a `cache_dit.supported_pipelines()` para listar las familias de pipelines que admite CacheDiT.

```py
import cache_dit

cache_dit.supported_pipelines()
```

## Activar la caché

Llama a `cache_dit.enable_cache` en un pipeline para cachearlo con la configuración predeterminada y luego ejecuta el pipeline como de costumbre.

```py
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 también funciona con `torch.compile`. Compila el transformer después de llamar a `enable_cache`. Consulta la documentación de [compile](https://github.com/vipshop/cache-dit/blob/main/docs/user_guide/COMPILE.md) para conocer las configuraciones que evitan la recompilación con formas de entrada dinámicas.

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

Llama a `cache_dit.summary` después de la inferencia para registrar cuántos pasos se almacenaron en caché y las diferencias residuales entre pasos.

```py
stats = cache_dit.summary(pipeline)
```

Llama a `cache_dit.disable_cache` para restaurar el pipeline original.

```py
cache_dit.disable_cache(pipeline)
```

## Configura la caché

DBCache (Dual Block Cache) calcula los primeros n bloques (Fn) en cada paso. Cuando su salida apenas cambia respecto al paso anterior, reutiliza la salida en caché para los bloques restantes y puede recalcular los últimos n bloques (Bn) para corregirla. El calibrador TaylorSeer predice la salida en caché a partir de pasos anteriores en lugar de reutilizarla tal cual.

`enable_cache` usa DBCache por defecto, con los primeros 8 bloques siempre calculados (F8B0) y 8 pasos de calentamiento sin caché. Para priorizar la calidad a costa de la velocidad, aumente `Fn_compute_blocks` o reduzca `residual_diff_threshold` (valor predeterminado `0.08`). Para obtener la mejor calidad con altas tasas de caché, agregue el calibrador TaylorSeer.

```py
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),
)
```

Para los pipelines compatibles, CacheDiT ya sabe si CFG se ejecuta como una pasada de inferencia independiente. Para otros modelos, establece `enable_separate_cfg=True` en `DBCacheConfig` si el modelo ejecuta las pasadas condicionales y no condicionales por separado, o `False` si las fusiona o no utiliza CFG.

Consulte la documentación del [diseño de DBCache](https://github.com/vipshop/cache-dit/blob/main/docs/user_guide/DBCACHE_DESIGN.md) para ver cómo funcionan los bloques Fn y Bn, y los [benchmarks de caché](https://github.com/vipshop/cache-dit/blob/main/bench/cache/README.md) para conocer las cifras de velocidad y calidad.

## Próximos pasos

- Para los pipelines que CacheDiT aún no admite, consulte la documentación de [BlockAdapter](https://github.com/vipshop/cache-dit/blob/main/docs/user_guide/CACHE_API.md#automatic-block-adapter).
- CacheDiT también admite [paralelismo de contexto](https://github.com/vipshop/cache-dit/blob/main/docs/user_guide/CONTEXT_PARALLEL.md) y [cuantización](https://github.com/vipshop/cache-dit/blob/main/docs/user_guide/QUANTIZATION.md).