Avatar-Forever: говорящие аватары на базе LTX 2.3 в реальном времени

Обзор

Большинство систем потокового видео обучают генераторы с малым числом шагов через последовательные конвейеры, ориентированные на дистилляцию, где ошибки ранних этапов накапливаются, а цели дистилляции ухудшают качество при длительных авторегрессивных прогонах. Avatar-Forever вместо этого рассматривает эффективность генерации и устойчивость на длинном горизонте как две независимые способности, обучаемые параллельно:

• Ветвь полнопараметрической дистилляции обучает эффективный генератор с высоким визуальным качеством
• Легковесный адаптер длинного горизонта обучается с помощью Recovery-oriented Rollout Training (RRT), чтобы оставаться устойчивым при выводе на длинном горизонте

Схема раздельного параллельного обучения Avatar-Forever (источник: leeruibin/avatarforever)

Потоковая передача ForeverCache

Во время потокового вывода Avatar-Forever использует ForeverCache, механизм поблочного кэширования признаков, который сокращает избыточные вычисления истории и удерживает память и вычислительную нагрузку в ограниченных пределах при генерации видео неограниченной длины. В сочетании с базовой моделью LTX 2.3 22B он сохраняет идентичность, согласованность движений и визуальную точность на протяжении длительных разговоров, пения и интерактивных сессий.

Доступность

Проект выпустил статью, код вывода и чекпойнты модели; код и данные для обучения пока не опубликованы.

• Веса: avatarforever-ltx-2.3-22b.safetensors на Hugging Face
• Текстовый энкодер: Gemma 3 12B с ограниченным доступом (примите лицензию перед загрузкой)
• Вывод: Python CLI в репозитории GitHub; интеграции с ComfyUI пока нет

Ссылки

• Страница проекта
• Репозиторий GitHub
• Модель на Hugging Face
• Статья (arXiv:2608.12107)