MaineCoon：追求实时视听社交世界模型

arXiv 2026 54.4 method, system

TLDR

MaineCoon是一个220亿参数的实时音视频自回归模型，用于社交世界建模，单GPU可达47.5 FPS。

评分理由

The paper introduces a novel social world model with innovative training techniques and real-time interaction capabilities, addressing a gap in human-centric social dynamics. However, the abstract lacks explicit details on real-world evaluation or benchmarks, and the concept of social world models is not yet validated against existing standards.

Read-first 评分解释

综合优先阅读分 54.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 42。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

95.2

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.95220779

主题相关性 29%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：484。

关键词评分

world model

interactive world model

generative world model

video world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

首个用于社交交互应用的220亿参数实时音视频自回归模型
用于高效训练的自重采样技术
跨模态表示对齐
领域感知偏好优化
强化在线策略蒸馏（ROPD）
具备智能缓存管理和提示规划的智能流式推理框架，支持千秒级生成

方法

MaineCoon是一个220亿参数的实时音视频自回归模型，专为流式生成和亚秒级交互设计。训练采用新颖技术，包括自重采样、跨模态表示对齐、领域感知偏好优化和强化在线策略蒸馏。推理使用智能流式框架，具备缓存管理和提示规划，以缓解长时生成中的漂移。

关键结果

在单GPU上实现了高达47.5 FPS的破纪录帧率，为高质量、低延迟、长时域的音视频自回归模型设立了新的最先进基准。

资源

论文