传统思路：跨步省
↦ same chunk · adjacent step
在「同一段画面、相邻两步」之间复用。压缩到 4 步以后，这条路就断了。
做交互式驾驶世界，最自然的做法是「策略给一个动作，模型立刻吐出下一段画面」，一段一段往后接。但要做到「实时」，X-World 这一类模型已经被压缩到只跑 4 步去噪——每一步都很贵，也都跳不掉。
麻烦在于，4 步本身已经不留任何冗余。市面上的缓存方法（TeaCache、DeepCache、ΔDiT、BWCache）思路都一样：相邻两步算出来的东西很像，那就省一步。可压缩到 4 步之后，每一步都在做不同的事，沿这条思路已经没有重复可省。
更头疼的是，画面的「跳变」就在段边界——一脚刹车、一次变道，说来就来。这又是个闭环系统，模型不能提前看下一帧，「先把下一段算好藏起来」这条路也走不通。一句话：过去那些加速思路，在这里基本派不上用场。
现实中，驾驶场景变化得很慢。前后两段画面里看到的，几乎是同一个世界——所以模型在同一个位置、同一个步骤里做的运算，前后两段也长得差不多。既然如此，何不把上一段的结果存下来，下一段直接用？
在「同一段画面、相邻两步」之间复用。压缩到 4 步以后，这条路就断了。
在「相邻两段画面、同一个步骤」之间复用。这条规律来自物理世界本身——跟模型跑几步没关系。
缓存按「第几步 × 第几个块」分格存放，每一格只对自己负责。复用永远只在相同位置之间发生，不会拿这一格去对那一格。
对每个块的输入，挑 32 个有代表性的 token，再补一条整体均值和当前的动作向量——这条「指纹」就是用来比相似度的。计算量几乎可以忽略，也不需要训练。
余弦相似度负责看「整体方向是否一致」，最大偏差负责看「有没有一两个 token 突变」。两道关都过，才允许跳过；任何一关亮红灯，立刻拉回去重算。
每一格的相似度门槛都是动态的：用最近的相似度滑动平均做参考，自动收紧或放宽。再叠一道 0.97 的硬底线——不管前面多平稳，画质永远有个保底。
4 步去噪、30 个块——下面是一段画面从头到尾的完整经过。
每段都从一片高斯噪声开始；过去几段的记忆放在滚动 KV 缓存里；当前这一帧要做的动作通过 adaLN-Zero 注入到每一个块——铺好底子，开始算。
对每个块的输入，按比例挑 32 个 token，再拼上整体均值和动作向量。一次取值、一次拉直，几乎没有额外开销。
把这次的指纹跟缓存里的旧指纹一比：余弦够高、偏差够小，才放行跳过；只要一项不达标，就把这个块从头算一遍，新结果回写到缓存里。
每段最后一步去噪结束时，模型会把一份干净的 K/V 写进长程缓存——这份缓存以后还会被反复读取。这一段我们坚决不省，每个块都老实算，避免任何近似留进未来。
写入长程缓存的那一段，每个块都必须实打实地算。这是唯一一道一关掉就翻车的保险——PSNR 直接从 53.4 dB 掉到 21.5 dB，画面基本糊了。
块 0 永远从头算。新的动作、新的条件由它带头注入到下游每一个块，旧链路上累积的偏差顺势就被冲掉了。
去噪第一步的所有块都老老实实算——它要写 KV 缓存，跳不得。需要更激进时可以放开它再走一道更严的阈值；默认我们就不冒这个险。
动态阈值再松也松不过 0.97 这条线。前面再风平浪静，画质都还有保底；遇到分布尾巴，阈值也会被这条底线接住。
三个场景，两种看法。拖动中间的分隔条：左边是没开缓存的原版，右边是 X-Cache。切到热力图，差别在哪、有多大，一眼就能看清——主要集中在车道线和远处树叶上，平整路面和天空几乎一片漆黑（也就是没区别）。
城市片段——画面里的静态细节是测试集里最多的（车道线、临街招牌、远处楼房）。这种场景下门控几乎一直放行，跳过率稳定在 71.4%，残差只在车道线和远景树叶上看得到。
拖动分隔条 · 拖动时间轴 · ←/→ 单帧步进 · 空格播放/暂停。右上的横条是实时 DiT 块状态：金色 = 不跳、蓝色 = 这次重算、绿色 = 复用上一段、靛蓝 = KV 更新阶段强保护。
高速片段——景深远、前向运动很快、画面里没什么近物。门控跳过了 71.6%，PSNR 反而比城市还高，到了 54.7 dB——因为大部分像素是天空和路面，本身就比较平整，那点缓存带来的扰动一吸就没了。
拖动分隔条 · 拖动时间轴 · ←/→ 单帧步进 · 空格播放/暂停。右上的横条是实时 DiT 块状态：金色 = 不跳、蓝色 = 这次重算、绿色 = 复用上一段、靛蓝 = KV 更新阶段强保护。
掉头片段——自车在做大角度转向，相邻两段画面之间的差别是整组数据里最大的。即便如此，跨段指纹依然管用：跳过率 71.3%，逐帧 PSNR 跨过段边界时也没有任何抖动。
拖动分隔条 · 拖动时间轴 · ←/→ 单帧步进 · 空格播放/暂停。右上的横条是实时 DiT 块状态：金色 = 不跳、蓝色 = 这次重算、绿色 = 复用上一段、靛蓝 = KV 更新阶段强保护。
| Scenario / camera | PSNR ↑ (dB) | SSIM ↑ | LPIPS ↓ | Skip | DiT | Speed |
|---|---|---|---|---|---|---|
| Urban street · n=7 | ||||||
| F-C | 53.83 | 0.9988 | 3.6e-4 | 71.4 % | 1.392 s | 2.7× |
| F-W | 50.27 | 0.9987 | 4.3e-4 | |||
| S-FL | 49.49 | 0.9985 | 5.1e-4 | |||
| S-FR | 48.69 | 0.9984 | 5.2e-4 | |||
| S-RL | 48.59 | 0.9985 | 4.8e-4 | |||
| S-RR | 48.07 | 0.9985 | 5.2e-4 | |||
| Rear | 51.77 | 0.9986 | 4.7e-4 | |||
| 7-cam | 51.37 | 0.9990 | 3.3e-4 | |||
| Highway · n=3 | ||||||
| F-C | 54.87 | 0.9989 | 2.6e-4 | 71.6 % | 1.365 s | 2.7× |
| F-W | 54.38 | 0.9988 | 2.3e-4 | |||
| S-FL | 53.08 | 0.9987 | 2.8e-4 | |||
| S-FR | 52.20 | 0.9987 | 2.9e-4 | |||
| S-RL | 52.48 | 0.9987 | 2.5e-4 | |||
| S-RR | 51.90 | 0.9986 | 3.0e-4 | |||
| Rear | 53.42 | 0.9987 | 3.2e-4 | |||
| 7-cam | 54.67 | 0.9991 | 1.9e-4 | |||
| U-turn · n=3 | ||||||
| F-C | 54.60 | 0.9987 | 4.3e-4 | 71.3 % | 1.364 s | 2.7× |
| F-W | 51.79 | 0.9987 | 3.6e-4 | |||
| S-FL | 49.29 | 0.9985 | 4.6e-4 | |||
| S-FR | 49.18 | 0.9985 | 4.7e-4 | |||
| S-RL | 48.87 | 0.9985 | 4.0e-4 | |||
| S-RR | 48.82 | 0.9984 | 4.9e-4 | |||
| Rear | 52.51 | 0.9986 | 4.2e-4 | |||
| 7-cam | 52.04 | 0.9990 | 3.1e-4 | |||