高分辨率、超大画幅生成一直是 AI 图像与视频画布的一大痛点。传统全局注意力机制，需要对画布内全部像素做两两关联计算。画布尺寸放大，注意力计算量呈平方级增长，显存占用快速飙升，经常出现推理超时、显存溢出，或是被迫缩小分辨率、裁切画面来规避算力限制。很多大画布工具为了能跑通生成，只能牺牲画面全局关联性，导致跨区域元素割裂、构图断层。
星宇智算（starverse-AI）无限画布，正式落地滑动窗口瓦片注意力，针对超大画布场景重构注意力计算逻辑，在保留跨瓦片全局信息的前提下，显著降低推理算力与显存开销。
滑动窗口瓦片注意力的核心思路，是把超大画布切分为多个瓦片单元。模型不再一次性对整张画布执行全局注意力，而是使用可滑动的局部窗口，优先计算窗口内瓦片之间的关联。同时保留少量跨窗口的全局锚点传递信息，避免切分之后各个瓦片变成信息孤岛。窗口沿着画布横向、纵向滑动，逐块完成特征计算，兼顾局部细节渲染与大范围构图一致性。
该技术和无限画布原有 Layer-Diffusion 节点式引擎、时空解耦 DiT 架构做了原生集成，不是外部插件式改造。瓦片划分、窗口步长、锚点数量都可随画布尺寸动态自适应调整。画布越大，这套机制带来的收益越明显。它没有简单粗暴地截断全局交互，而是通过锚点特征传递，保障远处物体、场景透视、画面构图的连贯性，减少瓦片接缝、纹理错位这类切分伪影。
对比传统全局注意力方案：全局注意力计算复杂度随像素数量二次增长，画布翻倍，算力开销接近四倍。滑动窗口瓦片注意力把复杂度从平方级降到接近线性增长。在超大画幅场景下，同等硬件条件，可支持更大尺寸画布；固定画布尺寸时，显存占用下降、推理速度提升。
注意：性能提升会受硬件型号、画布长宽比例、提示词复杂度、采样步数等变量影响，不存在固定的降幅数值，效果属于条件化收益，不是绝对指标。
在创作场景中，这项能力直接释放无限画布的创作边界。创作者可制作宽幅全景图、长卷轴画面、超宽叙事分镜、连续延展场景，不用为了适配显存而拆分画面再后期拼接。节点式工作流里，用户可以自由拖拽扩展画布边界，向外延伸场景，新生成区域能参考远处已有画面的构图、光影、材质风格，大幅减少反复调试、手动修接缝的工作量。
研发团队表示，滑动窗口瓦片注意力是无限画布算力优化路线上的关键一步。算力优化的目标，不是单纯提速，而是让大尺寸画布的 “自由延展” 从理论可能变成日常可用。后续团队将持续调优窗口策略与锚点信息传递逻辑，进一步降低瓦片接缝伪影，同时把这套注意力优化方案迁移到长序列视频生成链路，和此前落地的三级坐标体系形成互补。
大画布创作，算力不再是枷锁。 依托滑动窗口瓦片注意力，星宇智算无限画布持续拓宽生成边界，让超大画幅自由延展，变得更高效。
