论文精读索引

三阶段蒸馏（Foundation → Teacher Forcing → 4 步 DMD）+ AR-oriented Mask Cache（L₂ 距离剪 70% 冗余空间 token，仅缓存 SA），在 Wan2.1-1.3B 上把流式视频编辑做到 12.66 FPS。

让 MLLM 在原生 ViT 嵌入空间做语义规划、DiT 做像素渲染，用 SA-3D RoPE 乘性相位解决多视觉段坐标冲突，Latent CoT 增强推理；OpenVE 4.04、OpenS2V FaceSim 78.20 双料 SOTA。