# 一段 5 秒 · 24fps · 720×720 的视频，在像素空间里是多少个数？
121 帧 × 720 × 720 × 3 通道 = 188,049,600 个数
# 压进 VAE latent 之后（Seedance 1.0：rt,rh,rw = 4,16,16 · C=48）
31 × 45 × 45 × 48 = 3,013,200 个数
# 压缩比
r = C / 3 × 1/(rt·rh·rw) = 48/3 × 1/4096 ≈ 1/64
扩散模型每一步去噪都要把整个张量过一遍网络。
直接在像素上跑，等于每一步都算 1.88 亿个数 —— 算不起。
所以第一件事永远是：找一个「够小、但丢掉的都是人眼不在乎的」表示。这就是 VAE 的全部职责。
