音画同生，动作一步到位

今日 Hugging Face 论文榜的两篇高票新作，一篇管生成端的音画同步，一篇管机器人端的推理提速，都带着扎实的开源交付。

Kandinsky 6.0 Video：音画一体出片

Kandinsky 团队的新作（arXiv:2610.05608，今日榜 22 赞）是一族同步文生音视频的基础扩散模型：Lite 版 3B 参数，Pro 版 29B，都能产五秒带 44kHz 同步音频的视频片段，含唇形同步，支持文本到音视频与图像到音视频两种模式，内置超分步骤直接出 1920 乘 1080 全高清。

架构延续五代的双流 CrossDiT：预训练视频流加新音频流，靠双向交叉注意力对齐。训练分四步走：音频流先连续预训练，再在配对音视频数据上联合训练，随后监督微调、强化学习后训练与蒸馏。人类评估显示 Pro 版明确胜过上代 Pro，与领跑的音视频模型整体相当，语音质量尤其占优。交付很完整：代码、权重与 diffusers 集成全部按 MIT 开源在 github.com/kandinskylab/kandinsky-6。

RealtimeWAM：一步动作加流水线

Chengtao Lv 等 10 位作者的 RealtimeWAM（arXiv:2610.06617）解决世界动作模型的两个推理瓶颈：动作去噪要多步迭代（专家内等待），视频与动作专家串行执行（专家间等待）。

两个加速器各对一个瓶颈。TACD 教师锚定一致性蒸馏发现局部一致性误差低不代表最终动作准，于是把冻结教师的多步终点拉来做监督，保证一步生成的全局准确。CEWP 跨专家波前流水线把视频 KV 缓存按块共享给动作专家，动作注意力需要某块的前一刻才同步，视频与动作专家得以重叠执行。LIBERO、LIBERO-Plus 与 RoboTwin 上，Fast-WAM 与 Faster-WAM 变体性能损失小于 1 个百分点，H100 端到端约 25 倍加速。代码开源于 LightX2V 仓库的 examples 目录。

放在一起读

一个把音视频生成做成开箱即用的开源全家桶，一个把世界动作模型推向实时档。与站内此前的 LongCat-Video、OpenMontage 视频线和 ProWAM 机器人线各自接续：开源视频栈补上了音画同步这块，机器人侧则离真机实时控制又近一步。