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MaineCoon

一觉醒来，AI的新潮流变成了养猫？？？

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，模型名字就叫缅因猫（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。

比如这样：

给它一段文字，它直接边生成边播放，还能做到音画同出，效果就像是在和真人主播1V1视频对话，而且永远不会卡顿。

时长可达30分钟以上，这也是业界首次实现这个长度。

此外，MaineCoon的推理速度也很突出——

22B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。

具体什么概念呢？

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0.00025美元，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Catnip（猫薄荷）。

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。

何为社交？就是活人感。

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——看脸。

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。

所以MaineCoon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。

音视频流式生成

先科普一下，什么是流式生成？

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亚秒级，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。

中间实时输入新的指令，模型也能及时调整：

让角色做大幅度表情，也同样表现优秀：

也可以随时提出问题让角色解答：

不得不说，相比过去AI一句指令就出一堆回复的生硬别扭，MaineCoon的最大差异在于给予用户真人聊天的即视感，会接用户的话，也会给用户情绪。

这大概就是养猫人常说的——你以为你在撸猫，其实猫也在撸你。

业界最快的推理速度

速度更不必多说，亲测体验下来，同类流式音视频模型的速度普遍在6-7 FPS，MaineCoon快了整整7倍。

即使是持续生成一整天，成本也都能维持在一个合理范畴内。模型虽然有22B，但单卡就能部署（最高47.5 FPS）。

相比1.3B的轻量流式视频模型（19.1FPS）也要快2倍以上，轻松满足实时播放需求。

更关键的是，这样的速度不仅没有牺牲质量，反而情感表达更丰富，动作也更连贯稳定。

比如我们把场景搬到室外，日落时分的光影结合角色随风飘扬的发丝，说是真人博主在随意记录自己的City Walk也不为过。

无限时长生成

根据官方介绍，MaineCoon还能做到连续生成10分钟以上的音视频内容，期间保持画质、一致性、音画同步都不崩。

毫不夸张地说，MaineCoon的架构甚至完全可以无限生成。

这里以一个长达2分钟的MaineCoon视频为例，直到最后，人物都没有出现明显bug。

即使是动画风格的Minecraft小人，长时序也能稳稳接住。

Catnip还同步自建了首个社交短视频专用基准测试SocialVideo Bench，以直观展示MaineCoon的表现。

SocialVideo Bench涵盖密集演讲、双人互动、音乐演唱、情绪表演、舞蹈、创意挑战、社交梗七大场景，九项指标全面考核视觉质量、运动质量、音质、音画对齐。

其中，MaineCoon均超越主流的7款音视频生成模型，综合得分0.934，远超最优基线SoulX-FlashTalk（0.895），刷新SOTA。

问题是——MaineCoon是如何做到的？

三层训练，三层推理

先说训练侧。

MaineCoon的训练框架主要分三个阶段，层层递进：

Step 1：自重采样（Self-Resampling）

这一步解决的是推训之间的鸿沟问题。传统训练中会用干净的历史帧做上下文，但真实推理时模型只能用自己生成的帧，二者之间存在偏差，而且时间一久，越生成越跑偏。

自重采样能够让模型在训练时就接触到降质版的历史帧，从一开始就学会在带有轻微漂移、噪声的不完美条件下保持稳定。

Step 2：流式表征对齐（Representation Alignment）

音画联合训练实际上是很慢的，为了加快收敛速度，MaineCoon会引入冻结预训练V-JEPA 2视觉编码器做蒸馏监督。

于是模型能够更快学到跨模态的语义结构，大幅提升训练效率，也可以简单将其理解为一个训练加速器和稳定器。

Step 3：域感知偏好优化（DPO）+强化在线策略蒸馏（ROPD）

这是模型的后训练核心，针对不同社交场景，比如舞蹈看重动态、对话看重唇同步、远景看重人体结构，分别训练专门的偏好专家模型，再通过强化蒸馏统一成一个可部署的流式策略。

这样既精准，又轻量。

然后在此基础之上，要让模型在有限的算力资源上真正跑起来，团队还精心设计了一套基础设施工程。

毕竟22B模型的参数量太大，不处理，一张卡根本装不下。

具体来说，64张H100分摊参数，长序列切开并行处理，精度和优化器状态则能压则压。

最关键的一步是把视频编码、文本嵌入、教师特征全部提前算好存进磁盘，训练时直接读取，而GPU只做最核心的那一步，不做任何多余的搬砖工作。

结果就是，22B的模型，在10k GPU小时内就训练完成，数据一共不到100万条。

推理侧同样有一套创新的Agentic推理框架，该框架由三个独立的智能控制器构成，分别是Director、Cache Manager和Buffer Controller。

首先是Director，这也是整个系统的认知核心，专门负责叙事与纠错。

Director先通过规划器逐节拍生成结构化提示词（画面描述+台词+环境音），以维持人物人设、避免叙事重复。

然后观测器持续监测生成内容是否出现质量漂移，一旦发现问题就启动前向修复，不中断、不重置，直接在下一帧开始纠偏。

这样做是为了缓解流式长视频最容易出现的问题之一：畸变。

生成时间越长，误差累积就越严重，因为模型在生成当前chunk时，参考的是前一个chunk，但殊不知前一个chunk已经相对第1个chunk偏移了。之后每一步的微小偏差叠加起来，人物就会严重畸变。

所以MaineCoon从推理的第一步起，就试图将偏差遏制在摇篮中。

随后观测器会将观测结果返回给Director，主导记忆的缓存管理器通过拿到Director的输出，开始执行管理KV缓存的保留与清除策略，它会将角色外观、场景建立帧、关键对话帧作为长期记忆锚点保留，同时定期用统计锚点修正全局外观漂移。

同时因为MaineCoon生成速度快于播放速度，会自然积累起一段已生成但未播放的缓冲内容。

为了平衡实时性与交互响应，前瞻缓冲区控制器会负责把这段超前量控制在合理窗口内，既保证播放不卡顿，又保证用户的交互指令能在合理延迟内生效。

简单来说，这部分就是一个写剧本、一个管记忆、一个控节奏——三者分工明确、互不干扰，共同支撑起了无限续流。

但这还不是全部。

下一步是社交世界模型

MaineCoon甚至还只是Catnip的起点。

他们真正的野心，藏在MaineCoon的定位上——社交世界模型。

这个概念由Catnip独家首次提出，旨在弥补一段行业内长期视而不见的空白：

现有的视频世界模型，无论做得多么精密，本质都还是在模拟物理世界。它们重视苹果如何垂直落地，车辆如何克服摩擦力运动，而人在其中扮演的角色更像是一种会动的物体，辅助场景完成画面。

社交世界模型要做的恰恰相反。

它直接把人当作坐标系的中心，主动观察用户的情绪状态，以人为原点模拟社交行为的走向，然后利用实时音视频的方式做出合理反应。

团队认为其包含三个层面：感知层（读懂用户情绪）→ 模拟层（预测社交行为）→ 渲染层（实时生成音视频）。MaineCoon正是第三层的突破。

选择渲染这一层作为首要切入点，一方面是因为渲染层是最难，但也是整个系统的最终出口，如果没有实时生成能力，前两层再强也没有用武之地。

另一方面，业界始终缺乏一个推理快、成本低、质量高的流式音视频模型，先做这个，也是从商业角度考虑的最优解。

再往后看，下一步就是摆脱传统AI对话的半双工轮流交互模式，实现人类式连续、交错、多模态的实时双向交互。

也就是AI能一边持续生成，一边感知用户的实时反馈（包括文本、语音、视频），像真人对话一样即时调整。

而当这一层被彻底打通，模型和应用层之间的闭环才真正形成。Catnip也在积极推进将其落地为一个可交互的内容平台，支持海量用户实时感应、实时生成。

至于为什么Catnip能率先意识到这一点，我们可以从这支团队入手。

有趣的是，缅因猫这个品种一开始也是工作猫起家，专职捕鼠、保粮仓，基因里自带实用主义。

这与Catnip给人的印象不谋而合——

成立大半年，没有任何公开露面，相当低调，日常就是专注埋头干活，唯一对外的动作就是这次把技术报告挂上arxiv。

不鸣则已，一鸣惊人。

但即便在水下，这支团队也已经被最具洞察的投资人抢着押注。

开年这几个月，就连续收获了红杉、明势等头部VC的天使轮+融资，不仅因为团队是一群00后青春风暴，还罕见拥有一线实战经验，既懂技术又懂商业。

创始人杨姝瑞虽然很年轻，但曾在TikTok和PixVerse做产品，推动过多款爆款模版特效从0-1落地。除此之外，杨姝瑞也是连续创业者，第⼀段创业合伙创办海外社媒营销agency VANZO MEDIA，实现了千万年度营收。

主导算法研发的是⾸席科学家、⾹港科技⼤学（⼴州）助理教授谢泽柯，拥有中科⼤本科、东京⼤学博⼠教育背景，曾在百度研究院参与⼤模型的前沿研究，并⻓期担任NeurIPS、ICLR、ICML等AI顶级会议的领域主席。

另外，团队还有一群02/03年的应届生小伙伴，在极具创造力地工作。

且看MaineCoon的研发过程，据官方介绍，项目正式启动是从今年3月开始，3名核心研究员，只用了2个月时间就完成了模型训练、训练架构、数据基建、推理系统的全栈交付。

方法也很激进，直接全程使用AI Native：人定框架和思路，AI执行具体计划；人搭数据infra，AI跑流水线。

但正是这样的打法，最终效果惊艳，成果说话——MaineCoon火了。

其实用团队的话来说，MaineCoon更像是一只时刻感知用户内心状态的真正的猫。

当生成式AI正在从被动内容工具走向社交主动参与者，作为能感知、回应和记住用户的AI存在，它承载着人类共同的情感交互需求。

MaineCoon是这个方向上踏出的第一步，而且更重要的是它映射出的信号：

下一代社交平台的底层引擎，已经被按下了开始。

文章来自于微信公众号 “量子位”，作者 “量子位”