现有音视频生成模型普遍有两个硬伤：要么速度太慢，要等完整生成后才能看到效果；要么做得了视频却顾不上音频，音画永远分开走。Catnip 团队推出的 MaineCoon（缅因猫）试图同时解决这两个问题——22B 参数的模型，在单张 H100 上跑出 47.5 FPS，指令输出后 1 秒内出首帧，支持 30 分钟以上音画同出，每秒成本控制在 0.001 美元以内。

MaineCoon 是什么

MaineCoon 是 Catnip 团队研发的流式音视频社交模型，名字取自缅因猫品种——这个品种外号「猫狗」，几乎你走到哪它就跟到哪。模型也一样，不会一股脑生成完就跑，而是一直跟着你的状态，实时往下走。

给它一段文字，它直接边生成边播放，还能做到音画同出，效果像是在和真人 1V1 视频对话。时长可达 30 分钟以上，是业界首次实现这个长度。

核心功能

音视频流式生成

流式生成并非新鲜概念（ChatGPT 一个字一个字往外蹦就是流式输出），但视频的一帧涉及成千上万个像素，还要和音频在时间轴上精准对齐，难度完全不在一个量级上。生成片段越小，每一帧能依赖的历史上下文越短，模型就越容易露馅。

MaineCoon 把这个单元极致压缩到了亚秒级：指令输出后 1 秒内出首帧，低延迟和高质量两手抓。中间实时输入新指令，模型也能及时调整。

业界最快的推理速度

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。

• 22B 参数：单卡 H100 部署，最高 47.5 FPS
• RTX Pro 6000（H100 一半成本的推理卡）：稳定 30 FPS 以上
• 相比 1.3B 的轻量流式视频模型（19.1 FPS）也要快 2 倍以上

速度没有牺牲质量，反而情感表达更丰富，动作更连贯稳定。

无限时长生成

MaineCoon 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。架构甚至完全可以无限生成。

在自建的 SocialVideo Bench 基准测试中（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），MaineCoon 综合得分 0.934，超越主流的 7 款音视频生成模型，刷新 SOTA。

成本对比

技术架构

训练侧：三阶段递进

1. 自重采样（Self-Resampling）：让模型在训练时就接触降质版历史帧，学会在不完美条件下保持稳定，解决推训之间的鸿沟
2. 流式表征对齐：引入冻结预训练 V-JEPA 2 视觉编码器做蒸馏监督，加快训练收敛
3. 域感知偏好优化（DPO）+ 强化在线策略蒸馏（ROPD）：针对舞蹈、对话、远景等不同社交场景分别训练偏好专家模型，再统一成一个可部署的流式策略

22B 模型在 10k GPU 小时内训练完成，数据不到 100 万条。

推理侧：三个智能控制器

• Director（导演）：认知核心，负责叙事与纠错。逐节拍生成结构化提示词，持续监测质量漂移，发现问题就启动前向修复
• Cache Manager（缓存管理器）：管理 KV 缓存的保留与清除，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
• Buffer Controller（缓冲区控制器）：平衡实时性与交互响应，控制超前缓冲量，保证播放不卡顿且用户指令能及时生效

应用场景

MaineCoon 首次将场景垂直落地在社交交互中，瞄准的是「活人感」——眼神变化、嘴角抽搐、说话节奏这些决定真实感的细节。

• AI 社交对话：模拟人物对话，角色面部肌肉走向和语气停顿精准遵循指令
• 实时互动内容：随时提出问题让角色解答，或输入新指令调整角色行为
• 长视频生成：连续 10 分钟以上内容保持画质和一致性

💡 提示：MaineCoon 目前已限量开放 200 个邀请码内测。团队下一步目标是「社交世界模型」——把人当作坐标系中心，主动观察用户情绪，以人为原点模拟社交行为走向。官网 mainecoon.tech 可申请内测。