**MaineCoon：首个面向社交互动的实时音视频自回归模型，单GPU实现47.5 FPS**

_MaineCoon: Pursuing A Real-Time Audio-Visual Social World Model_

> MaineCoon是一个220亿参数的实时音视频自回归模型，专为社交世界构建，首次实现单GPU上实时流式生成与亚秒级交互，最高帧率达47.5 FPS。它引入自重采样、跨模态表示对齐、领域感知偏好优化和强化在线策略蒸馏等训练技术，并设计了首个支持千秒级长视频的智能体流式推理框架，为AI原生社交平台树立了新的性能基准。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-18 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.17800)