字节跳动推出 DMAD：4 步完成视频生成，提速数倍

玩过 AI 视频生成的朋友大概都体会过那种干等的焦躁。输入一段提示词，模型在后台一步步去噪，通常要反复迭代 20 到 30 步甚至 50 步，一段几秒钟的片段往往要等上好几分钟。

字节跳动最近提出了一个叫做 DMAD 的新方法，全称是 Distribution Matching as Adversarial Distillation，也就是基于分布匹配的对抗蒸馏。说白了，它的目的就一个：把生成过程暴力压缩到只要 4 步。

两个头、一个骨干的聪明蒸馏

传统扩散模型之所以慢，是因为它得从纯噪声开始，走几十个微小的去噪步骤才能拼出一张清晰画卷。模型蒸馏想要做到的，就是把步数从几十步砍到个位数，但往往代价是画面发糊或细节丢失。

DMAD 的思路是让大模型当「教师」，带着一个步数极少的「学生模型」跑。噪声输入到 4 步学生模型后生成样本，接着教师模型输出、学生输出以及真实样本会被一起加噪，送进一个判别器里分类。

这里最聪明的地方在于结构设计：判别器采用了「一个骨干网络挂两个判别头」的架构。系统根据两者之间的分布差距计算权重，再用这个差值去指导学生模型更新，从而在极简的去噪步数下精准还原真实数据的分布。

不挑模型，本地只要下个 1.4GB 权重

这套蒸馏方法并不绑定某单一架构。除了用在 MiniMax-H3 上，它也能套用到 Wan2.1，以及 SDXL 和 EDM 这类主流图像生成模型里。

在 MiniMax-H3-33B 的实测案例中，仅用 4 步去噪就生成了包含粉色羽毛晚礼服的浅滩漫步、折纸龙翻山飞翔，甚至还有带同步对白和背景音效的人物对话场景，动作和画面连贯度相当可观。

对于想自己动手的开发者来说，门槛也比想象中低。官方已经公开了项目代码与本地运行说明，用户只需要备好基础模型，DMAD 对应的 LoRA 文件大约只有 1.4GB 左右，下载和挂载都非常轻便。

为什么重要

我们认为，AI 视频现在最大的瓶颈早就不是能不能画出来，而是算力和速度能不能撑得起规模化商用。让用户等几分钟看一个几秒的 demo，和点一下几秒内出预览，在产品形态上是两个物种。DMAD 这种把推理步骤直接砍掉 80% 以上的技术，真正意义上打开了交互式、实时视频生成的可能性。

对创作者和独立开发者来说，这意味着本地单卡部署大尺寸视频模型的门槛大幅拉低。只要挂上一个 1.4GB 的 LoRA，就能省下原本几倍的算力开销和等待时间，试错成本被直接腰斩。

在行业层面，视频扩散模型的蒸馏路线正在从各家自研的黑盒技巧，走向标准化和架构通用。字节跳动这次不仅证明了对抗蒸馏能在多模态音视频大模型上跑通，还把跨模型的通用性做了出来。看起来，接下来的视频模型军备竞赛，比拼的重点已经不单单是参数多大，而是谁能用最少的步数跑出商业级的效果了。