擼貓擼出SOTA！3個00後2個月，造出史上最快流式音視頻社交模型

## 三個00後兩個月打造「擼貓級」模型！速度狂甩Veo 3，成本僅1/2000

近期AI界傳來一則令人振奮的消息：三位年僅19～23歲的開發者，僅用兩個月時間，便自主研發出一款流式音視頻社交模型，並在關鍵指標上宣稱達到業界頂尖水準（SOTA）。據報導，這款模型在推理速度上比Google的Veo 3快上7倍，而訓練與部署成本更只有Veo 3的二千分之一。這項成果不僅展現了年輕開發者的驚人創造力，也為即時影音社交場景帶來了前所未有的低成本高效能方案。

### 重點整理：速度與成本的雙重突破

根據現有資訊，這款模型的兩大核心亮點在於速度與成本。相較於市面上成熟的Veo 3模型，新模型在同樣任務下不僅推理速度提升7倍，更能以極低的資源消耗運行——成本僅為對比對象的1/2000。這意味著過去需要大型GPU叢集才能支撐的即時影音生成與互動，現在可能僅需一般消費級硬體即可實現。三位開發者將模型定位為「社交模型」，暗示其專為低延遲、多人即時互動的音視頻場景而設計。

### 背景脈絡：即時影音AI的高牆與缺口

當前AI影音生成模型，如Veo 3、Sora等，雖然畫質與流暢度不斷進步，但普遍存在兩大痛點：一是推理延遲過高，難以應用於即時對話或直播互動；二是訓練與部署成本昂貴，普通團隊與個人難以負擔。尤其在社交領域，用戶對低延遲的要求更為嚴苛——若一段回應需要等待數秒甚至數十秒，互動體驗將大打折扣。這三位00後開發者正是看準了這個缺口，選擇從輕量化、高效率的角度切入，試圖打破「高品質=高成本、高延遲」的既有印象。

### 開發過程：從養貓靈感到技術落地

有趣的是，據傳這個專案的靈感來自於開發者之一在「擼貓」時的突發奇想：若能讓AI即時模仿家中貓咪的動作與聲音，並透過社交軟體與朋友分享，是否就能打造出更生動的互動體驗？於是三人利用課餘與業餘時間，從開源模型與論文出發，大量進行架構優化與蒸餾實驗，最終在兩個月內完成從構想到可運行模型的階段。雖然具體技術細節尚未公開，但能達到如此懸殊的速度與成本對比，推測可能採用了極致的模型壓縮、自適應推理與非同步流式處理等技巧。

### 可能影響：社交軟體、直播、元宇宙的催化劑

若這款模型能維持宣稱的效能並穩定落地，將對多個產業產生深遠影響。首當其衝的是即時通訊與社交軟