这篇论文有意思的地方，是把「模型压到 4 bit 就掉细节」从一道比特预算题，改写成了一道时间分配题。
视频生成模型贵在推理：生成几秒视频要在噪声里迭代几十步去噪，显存和算力成倍开销。于是工程老办法派上用场——量化：把每层权重和激活值从 16-bit 连续数值压成 4-bit 只能表达的十几个格点，体积省七成以上，延迟最多降四成。代价则是一种熟悉的失败模式：构图对、动作对，但脸糊了，布料和皮肤的高频纹理像被抹过一层油画。
主流补救叫量化感知训练（QAT）：训练时就让模型「戴着镣铐练习」，前向按 4-bit 格点走，让网络习惯格点。问题在于现有流程对去噪几十步一视同仁：同一套损失、同一套监督。可去噪不是同一件事重复几十遍：前段从噪声里定构图和运动，后段才是皮肤、织物、锐度这些细节的成型期。
论文先用一组替换实验定位伤情：只量化前段、后段保持全精度，构图略有不同，画质几乎不掉，视觉奖励模型评分 7.90，比全精度参考的 7.51 还略高；反过来只量化后段，构图动作与全精度几乎一致，观感却崩了，评分掉到 3.17。全量化的失败模式只量化后段就能复现——伤害不均匀，集中在后段。
定位清楚，改法分两处。训练侧按阶段换监督：前段继续跟全精度「老师」做蒸馏，噪声大时梯度本来就抖，老师给个低方差锚把结构钉住；越往后蒸馏权重越低，改回直接对真实目标——细节成型期还模仿老师，等于把宝贵的 4-bit 容量花在老师自己也没拟合好的残差上。两套监督用一条随步数平滑变化的曲线衔接，不是硬切换。
推理侧的修改更妙：一行开关，不碰权重。生成模型的标准操作 CFG（classifier-free guidance）是每步跑两遍网络：一遍带提示词、一遍不带，把两者的差放大后加回去，以增强提示词服从。量化后两分支落在不同的舍入格点上，差里混进互不相消的量化误差；到最后几步两分支预测本就趋于一致，差里几乎只剩误差，再被放大系数一乘，就是高频伪影。DSAQuant 在最后几步直接关掉 CFG，顺带省掉一半前向：仅这一项就让 Wan2.1-1.3B 的成像质量单项从 71.67 提到 77.50，而同样操作在全精度模型上收益小得多，说明这是量化专属的红利。关早了不行——超过约十步，VBench 均分开始下滑，论文取九步；这个阈值只在 1.3B 模型上消融过。
效果在五个模型、两档压缩率下都成立（Wan2.1-1.3B/14B、Wan2.2-5B、CogVideoX-2B/1.5-5B）：4-bit 下 Wan2.1-1.3B 的 VBench 均分（视频生成常用的自动评测基准）67.21，反超全精度的 66.28；最激进的 3-bit 下，比此前最强的视频量化基线最高多 6.60 分。工程上更直接：量化后的 14B 模型塞进单张 4090D，全精度在同卡上爆显存。
对真实工作流有两层含义。本地和端侧视频生成——相册级编辑、消费级显卡推理、API 降本——多了一个已验证的可选项；而「最后几步关 CFG」是零训练成本的开关，部署了量化视频模型的推理栈都值得先试它，再谈重训。更远一点，「按去噪阶段分配损伤预算」的思路，大概率会外溢到图像生成的量化和蒸馏上。
存疑之处：评测主要靠 VBench 这类自动指标，量化伪影的人眼观感仍需真人评测兜底；可对比的视频原生量化训练基线只有 QVGen 一个，其余压缩基线数字转引自其论文；开源仓库只有推理侧代码、训练管线未放出，Wan 三个模型的 4-bit 权重已放上 Hugging Face，CogVideoX 侧代码权重都缺，复现难度分模型差别很大；关 CFG 的阈值换模型未再验证。