复旦与腾讯混元等开源 Prism 动态稀疏注意力框架,支持 2K 原生视频音频联合生成
复旦大学、腾讯混元与浙江大学团队发布 Prism,一个面向 2K 分辨率原生视频音频联合生成训练的动态稀疏注意力框架,相比全注意力训练提速 2.5 倍且生成质量更高。项目页、训练/推理代码、技术报告与 preview 模型权重已在 Hugging Face 开放,预览模型支持 720p、1080p 和 2K 原生联合生成,训练需 32 至 64 张 NVIDIA 80 GB GPU,技术报告为 arXiv:2610.05416。
推荐理由:项目放出了预览权重并完整公开训练与推理代码,还给出各分辨率的 GPU 需求,便于读者评估复现成本。