当前扩散模型在视频生成任务中能产出高质量结果，但推理速度极慢。主要瓶颈在于时空注意力计算——这类基于 transformer 的模型需要处理大量 token 之间的交互。

作者发现一个关键模式：很大比例的 token-to-token 连接产生的分数可以忽略不计，而且这些模式在不同输入和不同查询之间高度重复。即使是局部 token 块内的连接也是如此。基于此观察，他们提出了 CalibAtt，一种无需额外训练的加速方法。CalibAtt 先执行一次离线校准扫描，识别出那些跨输入稳定的块级稀疏性和重复模式，然后为每一层、每个注意力头和每个扩散时间步编译出优化的注意力操作。推理时，只对选中的输入相关连接进行密集计算，用硬件高效的方式跳过未选中的连接。

实验在 Wan 2.1 14B、Mochi 1 以及若干步数蒸馏模型上以多种分辨率进行。结果表明，CalibAtt 实现了最高 1.58× 的端到端加速，在保持视频生成质量和文本-视频对齐的前提下，超越了现有的各类免训练加速方法。