面向 Ovi 风格双分支（video+audio 联合扩散）音视频生成模型的推理加速方法。核心观察是双向音视频跨模态注意力呈现结构化稀疏模式（音频查询集中于少量发声视觉 token），据此提出受保护稀疏注意力与同步感知缓存复用。全文在 Ovi 与 LTX-2.3 两个开源骨干上验证，属于方法型而非系统型或数据集型贡献。
对象真实且界定清晰：降低长视频 token 序列在去噪各步重复注意力计算带来的推理成本，作用域限定为”可访问跨模态注意力与块输出的开源双分支生成器”。目标骨干明确（Ovi、LTX-2.3），且明确说明 LTX 仅加速低分辨率阶段、高分辨率精修保持不变。作用域边界诚实，对象状态良好。
依据：问题定义集中于 Ovi 型双流块（各模态自注意力+FFN+文本注意力+双向跨模态注意力），视频分支 token 数远大于音频分支；方法对”跨模态显著性”的计算公式（§4.1 A^(a→v)、s^v、P_v=TopK）与复杂度 O(H(κ·N_v²+ρ_v·N_v²)d_h) 均明确给出。
Wiki 证据：Ovi(arXiv 2510.01284) 为对象骨干的真实文献；SVG(2502.01776)、TeaCache(2411.19108)、SeaCache(2602.18993) 均属视频生成加速家族，证实该领域对象成立。
基线识别充分且对比公平：稀疏注意力基线 SVG、缓存基线 BWCache/TeaCache/SeaCache/FasterCache、稠密基线均纳入主表；全参考指标使用同 prompt、同随机 seed、同采样配置计算。最小条件（无保护的纯稀疏）在 Table 4 的”No Protection”行给出（PSNR 21.53、Sync-C 3.626），独立于主表提供。
缺欠：引言将低比特量化列为第三类加速手段，但全文未包含任何量化基线；骨干仅 2 个（Ovi、LTX-2.3），覆盖规模有限；结论”同步保持”依赖 Sync-C 相对密集基线仍微降的事实（4.688→4.606）来反证，对比叙事略绕。
Wiki 证据：SeaCache(2602.18993)、PromptTea(2507.06739)、TaoCache(2508.08978)、ACID(2607.12358) 确认缓存家族与 TeaCache 谱系；JavisDiT(2503.23377) 确认联合音视频生成领域存在。
方法为 training-free（零训练、零微调），评估信号未受训练过程污染，独立性基础良好。但评估协议由作者自设：全部指标（PSNR/LPIPS/SSIM/Q-Align/Sync-C/Sync-D/VISQOL）均为对稠密基线的全参考代理指标，无第三方基准、无人类主观评测、无盲评；指标选择与 prompt 集均自定，缺少独立验证链路。
依据：Table 1 主表 7 项指标全为自动全参考指标；VISQOL 以稠密输出为参考（列标 Ref），本质是”与稠密基线的贴近度”而非绝对音质。
Wiki 证据：GitHub 搜索 API 因限流（rate limit exceeded）返回失败，未取得独立复现信号，已如实记录；本仓 _paper_reviews/ 检索未发现音视频生成加速主题的历史 review。
计算确有真实压缩：Ovi 上 1.992× 加速（448.75s→225.30s），属真实约 2 倍；稀疏+缓存+保护三段机制（§4.2-4.4）均落到推理管线。但系统自身复杂度较高：保护比例 ρ_v、显著性更新间隔 K=4、λ_p=0.5、λ_s=0.1、τ=0.2、15% anchor 步、2 个全计算融合块等超参数叠加，跨模态显著性计算与 EMA 滞后缓存是新增开销（仅以”每 K 步更新”缓解）。LTX 上压缩效果偏弱（1.281×）。
依据：复杂度公式 O(H(κ·N_v²+ρ_v·N_v²)d_h) 中 ρ_v 保护行需额外稠密行计算；主表显示 SeaCache 在 Ovi 达 2.471×，本方法速度增益属中等水平。
Wiki 证据：SeaCache(2602.18993)、FasterCache 系列均以更高加速比见长，构成对照；ACID(2607.12358) 综述自适应缓存确认缓存机制族内加速比竞争激烈。
效用真实且量化充分：Ovi 上 PSNR 25.69、LPIPS 0.1398、SSIM 0.8385、Q-Align 0.7822、Sync-C 4.606、VISQOL 3.6902 全部位列所有加速方法第一，同时获得 1.992× 加速；LTX 上 PSNR 20.87、SSIM 0.6737、Sync-C 5.134、VISQOL 3.7638 同样居首。消融（Table 2）证实三组件组合完整生效（PSNR 25.69 vs 仅稀疏 21.53）。
局限：相对稠密基线，同步指标仍有微降（Sync-C 4.688→4.606、Sync-D 8.172→8.378）；加速后延迟仍达约 200-225 秒；LTX 加速比仅 1.281×；无人类主观评测支撑感知质量结论。
Wiki 证据：Ovi(2510.01284) 为评测骨干；JavisDiT(2503.23377)、MOVA(2602.08794) 为同领域联合音视频生成工作，可作效用对标参照。
存在真实但增量的新颖性：跨模态显著性引导的受保护稀疏注意力（对高显著性查询恢复稠密行）与同步感知缓存复用指标 Δ^sync=max(Δ^v,Δ^a,λ_p·Δ^p,λ_s·Δ^s) 的组合在音视频生成领域未见先例；核心观察（音频查询集中于发声视觉 token、显著性相邻步重叠≈0.93）有实证支撑。
但方法整体是既有稀疏注意力（SVG）与特征缓存（TeaCache/SeaCache）机制对音视频领域的适配组合，机制层创新幅度有限，属于领域迁移式增量。
Wiki 证据：SVG(2502.01776)、TeaCache(2411.19108)、SeaCache(2602.18993)、PromptTea(2507.06739) 构成直接前作族；JavisDiT(2503.23377) 已涉联合音视频生成，压缩了概念空白。
可复现性偏弱：全文未给出代码、数据或权重的任何发布声明；评测样本与各 prompt 的 seed 细节未公开。积极面是方法 training-free、骨干为开源模型（Ovi、LTX-2.3）、§4.1-4.4 公式与超参数（ρ=5%、K=4、τ=0.2）足够详细，具备手工再实现条件。
依据：实现细节（Appendix D）给出默认配置，但无仓库链接、无评估代码、无生成样本附件。
Wiki 证据：GitHub 搜索 API 因限流失败，未能确认任何开源实现存在；本方法仓库检索无结果。
优点：问题选取得当——音视频生成加速确实普遍缺乏同步感知的设计，现有方法直接套用视频生成加速会破坏跨模态同步，该痛点真实；核心观察（双向跨模态注意力呈现结构化稀疏，显著性相邻步重叠≈0.93）有扎实的实证支撑；在主骨干 Ovi 上实现质量-同步-速度综合第一（1.992× 加速同时 PSNR 25.69、Sync-C 4.606、VISQOL 3.6902 全部领先）；消融实验完整，4 张表分别覆盖组件贡献、保护比例（2%/5%/10%）、显著性选择策略（随机/自注意力分数/跨模态）、更新间隔 K，证据链严密。
主要问题在于：代码与评测材料未开源，可复现性弱；LTX-2.3 上加速比仅 1.281×，明显低于 Ovi 上的 1.992×，跨骨干通用性存疑；相对稠密基线同步指标（Sync-C/Sync-D）仍有可见下降，与摘要”保持同步”的表述存在偏差；全程无人类主观评测，感知质量结论缺少直接证据；同步感知缓存指标含 4 个超参数，调参敏感度未被充分讨论。
| 公理 | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ✅ | 8 | 1.0 | 8.0 |
| 二 识别公理 | ⚠️ | 7 | 1.5 | 10.5 |
| 三 独立性公理 | ⚠️ | 6 | 1.0 | 6.0 |
| 四 压缩公理 | ⚠️ | 6 | 1.0 | 6.0 |
| 五 效用公理 | ✅ | 8 | 2.0 | 16.0 |
| 六 新颖性公理 | ⚠️ | 6 | 2.0 | 12.0 |
| 七 可复现公理 | ⚠️ | 4 | 1.0 | 4.0 |
加权总分: 6.58/10 最终建议: Weak Accept