# 分布匹配蒸馏

Duo v1 是一个全双工世界模型，它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外，用户只能靠键盘、鼠标或文本提示操控场景，世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧（24 fps 下约 0.71 秒）的块，由语言意图模块逐块决定说话还是等待，再由因果音视频模块生成对应的声音与画面；在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次，其中语言、语音清晰度和视觉身份三项共 90 次全部通过，内容回应性为 73.3%。

Duo v1 是一个全双工世界模型，它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外，用户只能靠键盘、鼠标或文本提示操控场景，世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧（24 fps 下约 0.71 秒）的块，由语言意图模块逐块决定说话还是等待，再由因果音视频模块生成对应的声音与画面；在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次，其中语言、语音清晰度和视觉身份三项共 90 次全部通过，内容回应性为 73.3%。

DuoMatching提出统一的联合-边缘分布匹配框架：在既有联合DMD之外，用图像生成模型对单帧边缘分布做直接监督，并以LatentBridge解决视频与图像隐空间不匹配、以Latent Variation Sampling把帧级监督分散到不同时间段；在因果与双向少步视频生成中提升了视觉质量、构图与语义对齐，同时基本保持运动动态，人类评测对全部基线的总体偏好率超过80%。

DuoMatching提出统一的联合-边缘分布匹配框架：在既有联合DMD之外，用图像生成模型对单帧边缘分布做直接监督，并以LatentBridge解决视频与图像隐空间不匹配、以Latent Variation Sampling把帧级监督分散到不同时间段；在因果与双向少步视频生成中提升了视觉质量、构图与语义对齐，同时基本保持运动动态，人类评测对全部基线的总体偏好率超过80%。

Memorizon 提出一种训练配方：每个被评分的 chunk 按相机共视性各自检索 top-k 潜变量，其并集构成容量有界的共享记忆库，使训练样本可覆盖任意长跨度而注意力序列长度保持不变；在滑动窗口基线上重访一致性全面提升，跨度长到覆盖首次访问后进一步提升，代价是图像质量下降。

Memorizon 提出一种训练配方：每个被评分的 chunk 按相机共视性各自检索 top-k 潜变量，其并集构成容量有界的共享记忆库，使训练样本可覆盖任意长跨度而注意力序列长度保持不变；在滑动窗口基线上重访一致性全面提升，跨度长到覆盖首次访问后进一步提升，代价是图像质量下降。

该工作提出 SoL-Refiner，一个单步视频精修器，通过高分辨率持续训练、基于帧级奖励模型的强化学习后训练和最终一步蒸馏三阶段配方，把低分辨率生成器输出转换为 4K 视频，并构建 Refiner-Bench 用共享输入协议在约 2K 输出分辨率下比较精修器，在 2K 下其单步模型在 VBench 与 UniPercept 平均值上优于所有被评估的外部精修器，在 3840×2176 下两项指标均超过三步 LTX-2.3 Refiner，完整加速栈在 2K 延迟设定下相对同一基线取得 8.91 倍精修延迟加速。

该工作提出 SoL-Refiner，一个单步视频精修器，通过高分辨率持续训练、基于帧级奖励模型的强化学习后训练和最终一步蒸馏三阶段配方，把低分辨率生成器输出转换为 4K 视频，并构建 Refiner-Bench 用共享输入协议在约 2K 输出分辨率下比较精修器，在 2K 下其单步模型在 VBench 与 UniPercept 平均值上优于所有被评估的外部精修器，在 3840×2176 下两项指标均超过三步 LTX-2.3 Refiner，完整加速栈在 2K 延迟设定下相对同一基线取得 8.91 倍精修延迟加速。

WorldLine 提出一种动作驱动的视觉模拟器，把可迁移的机器人—物体动力学学习与异构动作接地解耦：先在超过 10,000 小时无动作机器人视频上预训练，再用超过 2,000 小时、跨十余种本体的动作轨迹通过图像空间动作图接地，并配合多视角、失败样本与关系正则化训练，最后用机器人聚焦的少步蒸馏实现因果 rollout；在留出与域外设置下保持视觉质量与机器人运动一致性，失败轨迹上机器人掩码 IoU 比最强基线高 0.1626，在 RoboTwin 与 AgiBot 上以 74% 平均准确率预测轨迹成败，并在未用 RoboTwin 训练或适配的情况下把任务成功率最多提升 21.4 个百分点。

WorldLine 提出一种动作驱动的视觉模拟器，把可迁移的机器人—物体动力学学习与异构动作接地解耦：先在超过 10,000 小时无动作机器人视频上预训练，再用超过 2,000 小时、跨十余种本体的动作轨迹通过图像空间动作图接地，并配合多视角、失败样本与关系正则化训练，最后用机器人聚焦的少步蒸馏实现因果 rollout；在留出与域外设置下保持视觉质量与机器人运动一致性，失败轨迹上机器人掩码 IoU 比最强基线高 0.1626，在 RoboTwin 与 AgiBot 上以 74% 平均准确率预测轨迹成败，并在未用 RoboTwin 训练或适配的情况下把任务成功率最多提升 21.4 个百分点。

该工作提出 WorldCrafter，一个相机可控的自回归视频世界模型：它学习可被相机位姿查询的隐式三维感知记忆，把历史潜帧压缩成固定 token 预算的记忆标记，在去噪前注入视频扩散 Transformer，使单张图像或文本提示即可驱动分钟级的流式场景探索，并在静态与动态场景的重访一致性和相机控制准确度上优于所评估的基线，同时保留视觉质量。

该工作提出 WorldCrafter，一个相机可控的自回归视频世界模型：它学习可被相机位姿查询的隐式三维感知记忆，把历史潜帧压缩成固定 token 预算的记忆标记，在去噪前注入视频扩散 Transformer，使单张图像或文本提示即可驱动分钟级的流式场景探索，并在静态与动态场景的重访一致性和相机控制准确度上优于所评估的基线，同时保留视觉质量。