이것은 이곳에 올렸던 지난 게시물의 후속작입니다!! 지난번에 그렇게 긍정적인 피드백을 받은 것은 제게 큰 의미가 있었습니다.

이것은 이전 모델의 800M 버전입니다. 여전히 많은 문제점이 있지만, 약속하는 바는 동일합니다. 소비자용 GPU에서 편안하게 작동합니다.

컨텍스트 (context)는 12개의 잠재 프레임 (latent frames)으로 증가했습니다. 지난번의 이상한 깜빡임 현상은 사라졌습니다. 일관성 (consistency)은 끔찍할 정도로 좋지 않지만, 안정성 (stability)은 훨씬 좋아졌습니다. 다음 반복 (iteration)에서 이를 해결하기를 희망하고 있습니다. 500M 모델은 이제 RTX 5090에서 60 fps 이상을 기록합니다.

아키텍처 (architecture)는 여전히 동일하며, 저는 주로 MLP를 확장했을 뿐입니다. 다시 말씀드리지만, 디노이저 (de noiser)는 디퓨전 포싱 (diffusion forcing)을 사용하여 처음부터 학습되었습니다.

LLM은 매 포워드 패스 (forward pass)마다 단 하나의 토큰 (token)만 샘플링하여 KV 캐시 (KV cache)에 추가합니다. 따라서 KV 캐시는 "컨텍스트 (context)"가 거주하는 곳입니다.

디퓨전 모델 (Diffusion Models)은 가이드 (guidance)에 더 기반하여 작동합니다. 노이즈 (Noise) 입력 -> 모델이 한 차례의 디노이징 (denoising)을 수행합니다.

따라서 제 모델과 같은 모델에서의 아이디어는 인과적 디퓨전 (causal diffusion)입니다. 우리는 각 프레임에 대해 디노이징 루프 (de noising loop)를 수행하지만, 그것을 KV 캐시에도 추가합니다. 따라서 KV 캐시는 모든 과거 프레임의 저장소입니다.

하지만 제가 약 20-30개의 잠재 프레임(제가 사용하는 사전 학습된 VAE 때문에 약 80-120 픽셀 프레임)까지만 학습시켰기 때문에, KV 캐시에서 슬라이딩 윈도우 (sliding window)를 사용하고 중간의 불필요한 프레임들을 제거(evict)해야 합니다. 그래야 모델이 "그래, 나는 내가 학습했던 컨텍스트 내에서만 작업할 수 있어, 그 이상은 안 돼"라고 생각할 수 있기 때문입니다.

저는 많은 영상들을 올리고 있습니다. 제가 만든 lucidmlx라는 서브레딧에서 제가 시도하는 거의 모든 것들을 올리고 있습니다.