深度丨"缅因猫"背后的AI-Native研发实验：10人00后团队，2个月交付22B流式音视频模型

导语

2026年的AI视频生成赛道，已经拥挤到连空气都变得稀薄。

从OpenAI的Sora到谷歌的Veo3，从字节的Seedance到快手的可灵，以及各路创业公司的模型，"百模大战"进入最惨烈的阶段。行业共识是：做视频生成模型，需要百人团队、千万卡时、亿级美元，以及至少一年的研发周期。

但就在这个被认为"只有巨头才能玩得起"的牌桌上，一群从未露面的年轻人，用一组近乎夸张的数据，把行业共识撕开了一个口子。

10个人。2个月。64张H100。

3月中到5月底，这支团队交付了业界首个22B参数的流式音视频模型—— MaineCoon v1.0。单卡H100实现47.5 FPS实时推理，生成成本压到Veo3的两千分之一，首次实现30min以上生成。

这家公司叫catnip.ai。这是他们的第一次公开发布。

01 10个人、2个月、64张卡：AI-Native研发的极致样本

支撑这一切的，是一个小到令人难以置信的团队。catnip.ai全公司10个人，一张合影就能装下，还没有一家中型奶茶店的排班表长。

创始人杨姝瑞是连续创业者，前TikTok、PixVerse产品负责人，推动过多款爆红特效模板的0-1落地。负责核心算法的谢泽柯，是香港科技大学（广州）助理教授——中科大本科、东京大学博士、前百度研究院，长期担任NeurIPS、ICLR、ICML等顶级会议的领域主席，现以首席科学家身份全职加入。其余产研成员来自字节Flow部门和豆包团队，一支标准的"字节系"精锐小队。

公司叫catnip（猫薄荷），模型叫MaineCoon（缅因猫），团宠却是一只叫77的小狗。代码跑到卡壳，有人会突然喊一声"77呢"，那只小狗就从某个工位底下钻出来，摇着尾巴接受一轮集体撸毛。明明在做一件很硬核的事，却保留着一种近乎幼稚的松弛感，这是这支团队最显眼的气质。

这种松弛感，恰恰来自他们过去的艰难思考。

catnip并不是一开始就想做模型。杨姝瑞最初的目标很直接：做一款面向C端的互动视频应用。但做到一半，团队发现了一个冰冷的数字现实——一旦让视频真正人人"可交互"，成本会指数级增长。如果直接接入现有模型的API，产品的商业模型根本跑不通。

调研了一圈市面上的互动类产品，他们发现互动视频之所以至今只停留在PGC层面——互动剧情游戏、互动短剧——而没能诞生真正的大众化产品，根源就在于供给成本太高。更深一层的问题是，现有模型从第一天起就是为PGC内容设计的，天然缺乏UGC内容该有的"活人感"和"网感"。抖音本质上是一个PGC平台，而PGC之所以能成立，恰恰是因为有海量UGC作为底座。任何UGC模式的产品爆发，前提都是供给成本降到足够低。

"什么时候模型能够像水一样，极速又便宜？"杨姝瑞意识到，答案只有一个：自己动手，把模型做得够轻、够小、够快。团队决定以愚公移山的方式，自研模型来突破这个通往梦想中途的难点。

这个转向是冒险的，但执行速度却快得惊人。3月中启动，5月底交付，2个月内不仅产出了SOTA模型，还同步完成了训练架构、数据Infra、推理系统的全部基建。64张H100，在动辄千卡集群的AI军备竞赛中几乎可以忽略不计，却产出了业界最快的流式音视频模型。

秘密不只在于技术，更在于一种反传统的组织设计。

据团队透露，他们的组织有两大特征。第一，目标愿景高度一致。团队里的每个人都相信：大量AI模型正在解决"智能"的瓶颈，这会解放人类，去除人身上的工具属性；而catnip的目标，是让被解放的人类在互动世界中感到幸福和快乐。这个愿景提前划定了公司的边界，让每个人的行动动机高度一致——这里没有浑水摸鱼的打工人，只有通往同一个方向的同行者。

第二，激进地使用"主题式分工"，而非传统的"上下游分工"。按工作主题和领域切分，而非按职能流水线切分。比如这次模型的官网，由一位产品经理+设计师+开发闭环完成，基础架构同学只提供底层支持。这种分工避免了传统互联网式协作中大量的信息摩擦和等待成本，代价是对每个人的综合素质要求极高。catnip相信，AI时代的公司，人才是灵魂，产品只是灵魂长出来的手和脚。

这些设计的结果是近乎偏执的凝聚力。大家彼此背靠背，深夜群里喊一声，还都在线。有时搞到凌晨两三点，但没有人抱怨。他们有一个共同的使命，写在博客的最后一段：AI应该去除人身上的工具属性，让人类感受到更幸福。MaineCoon是他们通往这个愿景的第一个入口——一个可实时交互的世界。

02 流式生成：为什么"快"才是互动视频的命门

理解了catnip是谁、为什么出发，才能理解他们为什么选择了一条与行业主流截然不同的技术路线。

AI视频生成领域有一个长期被忽视的悖论。现有的T2AV（Text-to-Audio-Video）模型，无论画质多么精美、动作多么流畅，都有一个致命的结构性缺陷：它们必须"整段生成完成后才能播放"。这意味着，用户输入一段提示词，可能需要等待数分钟甚至数十分钟，才能看到结果。在这个即时反馈成为本能的时代，这种延迟是致命的。

更重要的是，这种"离线生成"模式从根本上排除了互动的可能性。你无法与一个需要几分钟才能回应的AI进行实时对话，也无法在直播、社交、游戏等场景中部署一个"先思考再说话"的智能体。

行业并非没有意识到这个问题。加速方案层出不穷，但大多数都陷入了一个三角困境：要速度，就得牺牲画质；要画质，就得接受延迟；要降低成本，就得压缩模型规模。三者不可兼得，似乎成了铁

MaineCoon的解法，是从架构层面重新定义"生成"本身。

它不是先做完再播放，而是"边生成边播放"。0.64秒为一个生成单元，首帧在1秒内响应，随后像水流一样持续向前。这种Streaming-Native的设计，不是把现有模型改得更快，而是从一开始就为实时流式场景而生——从数据基础设施、训练框架、注意力模式、上下文分布、KV-Cache使用，到最终的推理部署，全链路围绕"实时"重新设计。

速度数据是惊人的：单卡H100达到47.5 FPS，单卡RTX Pro 6000达到30 FPS。作为对比，市面上其他流式音视频模型，在同等配置下的速度往往只有它的七分之一。

但真正的颠覆在于成本。饱和状态下，MaineCoon的生成成本在GPU吃满时，是每秒0.00025美元——Seedance 2.0的五百分之一，Veo3的两千分之一。当生成成本趋近于零，商业模式的想象空间被彻底打开。

03 无限时长：当AI视频不再有时长焦虑

流式生成带来了一个更深层的技术挑战：时间。

生成单元越小，跨时间段保持画面一致性、视觉稳定性以及音视频同步性的难度就越高。就像用极小的砖块砌一座无限长的墙，每一块砖都要与前后完美咬合，稍有偏差，整座墙就会歪斜、崩塌——业内称之为"Drift"（画面畸变）。

这是流式生成的阿喀琉斯之踵。大多数模型在生成几分钟后，画面质量就会明显下滑，角色变形、场景跳跃、音画不同步。超过10分钟的连续生成，几乎是一个无人区。

catnip.ai的团队为此首创了Agentic Streaming Inference（智能体流式推理）框架。简单来说，他们给模型装了一个"记忆系统"和"规划系统"：通过智能体缓存管理、Chunk Commitment、长上下文Rollout和Prompt Planning，模型能够主动管理自己的生成历史，预测未来的内容走向，并在长达30分钟以上的连续生成中，保持时间一致性和音视频同步。

这不是简单的技术优化，而是推理范式的跃迁。从"一次性生成一段视频"到"持续维护一个连贯的音视频世界"，MaineCoon证明了：流式生成不仅可以很快，还可以很长。

04 不止于生成器，而是「社交世界模型」

如果MaineCoon只是一个更快的视频生成工具，那它至多是一家优秀的工程团队。但catnip.ai的野心，藏在他们对产品定位的重新定义里。

"社交世界模型"（Social World Model）——这是他们自己创造的概念。

现有的世界模型，无论是模拟物理环境的机器人训练系统，还是探索游戏世界的AI Agent，大多聚焦于"物"与"空间"，而非"人"与"关系"。它们缺乏对人类社交动态的理解：情绪的微妙波动、对话的回合节奏、关系的亲疏远近。

catnip.ai认为，下一代AI-native社交平台的基础设施，不是一个内容生成器，而是一个能够主动观察、内部模拟、实时反应的"社交生命体"。

他们为此设计了三层架构：

感知层（Observation），处理面部表情、语气语速、表述方式等多模态信号，提炼为潜空间中的用户社交状态。这不是简单的"识别你在笑"，而是理解"你为什么笑"。

图片说明：全双工观察路径：音频、文本、视频、手势、表情和语调块并行流式传输，在时间对齐的交互缓冲区中进行组织，并在连续的低延迟循环中连接到实时输出

模拟层（Simulator），通过Latent Dynamics Model结合感知层的状态信息，产出一系列候选行动集——安抚、询问、开玩笑、沉默——并通过社交互动预测，确定最优行为。这是模型的"大脑"，负责决策。

图片说明：人类感知模拟路径：候选行动通过模拟器进行测试，该模拟器可以预测情绪、参与度、信任度和下一步反应，然后将结果反馈到政策选择中。

渲染层（React），围绕社交互动预测，极速、实时、稳定地生成音视频画面。这是MaineCoon v1.0当前的核心能力，也是最终面向用户的出口。

为什么要从渲染层切入？创始人杨姝瑞的解释很直接：渲染层是最终出口，也是技术最难的部分。更重要的是，业界长期缺乏一个"极速推理+低成本+画质优异"的流式音视频模型，这是当前市场最大的缺口。先把最难的骨头啃下来，上面的两层才有落地的可能。

这个逻辑，与当年字节跳动先做推荐引擎、再做内容生态的路径，有异曲同工之处。

05 互动娱乐的「Thinking Machine」时代

1950年，图灵在《计算机器与智能》中发问：机器能思考吗？76年后，这个问题有了一个新的变体：机器能社交吗？

MaineCoon是catnip.ai给出的第一份答卷。它不是终点，而是起点——一个面向实时、长时程交互而设计的Streaming-Native T2AV模型，一个社交世界模型的生成核心。

当生成成本压到近乎为零，当延迟压到1秒内，当时长突破无限——AI-native平台的底层基础设施才真正就绪。届时，我们面对的将不再是一个"生成视频的AI"，而是一个能够主动理解、响应、记忆我们情绪及社交关系的"数字生命"。

10个00后，用2个月、64张卡证明了一件事：在这个时代，世界模型不需要百人团队、千万卡时。需要的是对场景的极致理解，对AI-Native研发范式的信仰，以及一群愿意把凌晨两三点当作常态的疯子。

AI视频生成的"百模大战"还在进行。但catnip.ai的出现，让这场战争的规则开始松动。当成本不再是门槛，当速度不再是瓶颈，当团队规模不再是护城河——真正决定胜负的，将是谁更理解"交互"这两个字的分量。

毕竟，人类发明视频，从来不是为了看机器表演。而是为了，被看见。

文章来自于"Z Potentials"，作者 "Z Potentials"。