xFormers
Meta AI开发的内存高效注意力算法库，通过重计算中间激活值避免存储完整注意力矩阵，可将峰值显存占用削减30%-50%，广泛用于AI图像生成显存优化
核心事实
时间轴 (近 90 天)
启用xFormers通常可以减少约30%-50%的显存占用，并提升15%-25%的生成速度
PyTorch 2.x可能需要CUDA 11.8或12.1，不同版本的xFormers对PyTorch版本有严格要求
整合包通过xFormers或--medvram参数等显存优化技术，利用注意力机制优化和分块计算降低峰值显存占用，使低配显卡也能运行
xFormers是Meta开源的Transformer优化库，其Memory-Efficient Attention通过分块计算避免将完整注意力矩阵存入显存，可将注意力计算速度提升2-4倍
对于8GB显存用户，启用量化和注意力优化可节省约30-40%的显存占用
Informer通过ProbSparse稀疏注意力将自注意力计算复杂度从O(n²)降至O(n log n)
全部知识事实 (6)
Informer通过ProbSparse稀疏注意力将自注意力计算复杂度从O(n²)降至O(n log n)
65%待验证xFormers是Meta开源的Transformer优化库，其Memory-Efficient Attention通过分块计算避免将完整注意力矩阵存入显存，可将注意力计算速度提升2-4倍
60%待验证启用xFormers通常可以减少约30%-50%的显存占用，并提升15%-25%的生成速度
50%待验证PyTorch 2.x可能需要CUDA 11.8或12.1，不同版本的xFormers对PyTorch版本有严格要求
50%待验证整合包通过xFormers或--medvram参数等显存优化技术，利用注意力机制优化和分块计算降低峰值显存占用，使低配显卡也能运行
50%待验证对于8GB显存用户，启用量化和注意力优化可节省约30-40%的显存占用
50%