12.66 FPS 听起来不快，但在流式视频编辑这条线，这数字已经够上"可用"门槛了。

今天刷到 LiveEdit。核心做法挺朴素：三阶段蒸馏把 bidirectional 编辑模型压成单向 AR streaming editor，外加一个 AR-oriented mask cache 复用帧间区域计算。

🤔 为什么要三阶段，不能一步到位？

正好同期有篇 Causal Forcing 把这事讲透了：bidirectional teacher 蒸 AR student 有理论 gap——ODE distillation 要求 frame-level injectivity（每个 noisy frame 对应唯一 clean frame），bidirectional 老师天然违反这条，硬蒸出来的学生会退化成条件期望解，画质和动态都掉。

💡 所以三阶段不是炫技，是工程妥协。一刀切不动就慢慢搬，每阶段守住一类能力。

之前做短剧大模型那会儿踩过同款坑：bidirectional 老师给的目标太"全知"，学生学不来，loss 看着降但生成一塌糊涂。最后还是分阶段加蒸馏数据筛选才稳住。

mask cache 这种 trick，做过 ComfyUI 集群的都懂——编辑场景非编辑区帧间冗余度极高，能缓存就别重算。叠上蒸馏加速，12.66 FPS 才有戏。

📌 流式视频编辑这条路，理论是 Causal Forcing 在补漏，工程是 LiveEdit 在硬扛，两边都得跟着看。 arXiv: 2606.26740