< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
撸猫撸出SOTA！3个00后2个月，造出史上最快流式音视频社交模型
速度快7倍，成本只有Veo 3的1/2000
鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI
一觉醒来，AI的新潮流变成了
火速围观一下，刚刚全球流式音视频模型赛道闯进了一匹黑马，能力SOTA级，模型名字就叫
（MaineCoon）。
养过缅因猫的朋友都知道，这个品种有个外号叫「猫狗」，意思是几乎你走到哪儿，它就跟到哪儿，相当粘人，互动感MAX。
而模型MaineCoon和它几乎是如出一辙，不会一股脑生成完就跑，而是一直陪着你、follow你的状态，实时地往下走。
【此处无法插入视频，遗憾……可到量子位公众号查看～】
，效果就像是在和真人主播1V1视频对话，而且永远不会卡顿。
以上，这也是业界首次实现这个长度。
【此处无法插入视频，遗憾……可到量子位公众号查看～】
此外，MaineCoon的推理速度也很突出——
参数的大小，却能在单张H100上跑出47.5 FPS，
同赛道速度位居业界第一
；即使是在只有H100一半成本的推理卡RTX Pro 6000上，也能稳定保持30 FPS以上的实时运行速度。
假设我手里有一张GPU，用MaineCoon生成一条10秒的短视频，⾸帧将在3s以内出现，随后开始流式输出，新增prompt与实时输出无缝衔接，全程过渡丝滑自然。
成本直接被打下来，每秒成本控制在0.001美元以内。
如果在GPU占满的状态下，每秒推理更是仅需
，是Veo 3的1/2000、Seedance的1/560。
而这些，来自一家base中国的10人初创团队，名叫
几天前，他们刚刚在𝕏上发布了技术报告，就迅速收获多方关注，其中LTX官⽅也注意到了这家新面孔，并主动寻求合作。
话不多说，来看具体效果。
效果show time
其实MaineCoon和一般的音视频生成模型还不太一样，它首次将场景垂直落地在社交交互中。
且看各家现有的生成模型卷到飞起，Benchmark表现一个赛一个亮眼，但依旧有硬伤：
要么速度太慢，要等完整生成后才能看到效果，根本没法实时，对创作者并不友好；要么做得了视频，却顾不上音频，音画永远分开走。
这类通用音视频模型更擅长模拟物理规律和场景叙事，天空中的云怎么飘、水面的光怎么反射，它们拿捏得很准，但一到人物表现上就屡屡翻车。
于是判断AI视频与否，大家总结出一条心照不宣的经验——
要做社交距离也不露怯的视频，关键在于人物细节是不是够自然，比如眼神的变化、嘴角的抽搐、说话的节奏等等，还要音画高度同步、生成过程中随时可切换指令。
难度系数拉满了，但这些细节才是决定活人感的关键。
瞄准的，正是这个被整个行业忽视掉的缺口。
具体来说，它做到了三件此前没有模型能同时做到的事。
这并非新鲜概念，最早ChatGPT一个字一个字往外蹦，就是流式输出。简单来说，就是让模型能够边看边生，推理到哪儿，就生成到哪儿。
但视频的一帧涉及到成千上万个像素，还要和音频在时间轴上精准对齐，和单纯文字流式生成的难度完全不在同一个量级上。
而且生成片段越小，就意味着每一帧能依赖的历史上下文越短，模型就更容易露馅。
MaineCoon则把这个单元极致压缩到了
，指令输出后1秒内就出首帧，低延迟和高质量两手抓。不止快了一点，更是生成方式的彻底改变。
比如下面模拟人物对话，初始Prompt要求人物语气平静且深思熟虑，结果无论是角色的面部肌肉走向，还是语气停顿，都精准遵循指令。