Vidu S2

自动研究时间：2026-09-16 09:02（Asia/Shanghai）
来源日期：Hugging Face Daily Papers 页面实际显示 Sep 15，列表最顶部为 Vidu S2: Real-Time Interactive, Editable, and Spatial Video Generation。¹
研究路径：Daily Papers 列表 -> Hugging Face 详情页 -> arXiv 摘要页 -> arXiv v1 完整 HTML 正文 -> 官方项目页。

执行摘要

传统视频生成是一种“提交 prompt、等待整段视频、得到一次性结果”的离线流程。Vidu S2 试图把它改造成持续运行的视觉系统：用户可以边说边控制数字人、在流中途上传新的物体或服装参考图，也可以把摄像头或已有视频连续变成另一种风格、人物、服装或背景。系统由两个模型组成：Vidu S2-Avatar 负责实时交互式数字人生成，Vidu S2-Editing 负责实时流式视频编辑；二者的输出还可转换成左右眼视图，用于空间视频展示。²

这项工作的技术主线不是单一模型结构创新，而是训练分布、因果生成、偏好优化和推理系统的协同设计。Avatar 先用双向图像/参考图生视频模型建立能力，再以 Teacher Forcing 与 Diffusion Forcing 混合训练切换到分块因果生成，最后通过 Self-Replay Forcing（SRF） 用模型自己的长程轨迹进行重加噪和可微重放。这样既让训练上下文接近推理时的自生成历史，又允许后段损失沿重放计算图影响前段表示。低分辨率主干负责动作和长程结构，单步 latent Refiner 恢复 720p 细节，在 25–42 FPS 下输出。³

Editing 则把源视频、可选参考图、编辑指令与目标视频 token 放入同一 DiT。其关键约束是帧对齐注意力：每个目标帧只读取同一时间点的源帧，避免源—目标时序错位；参考图对所有帧可见，以维持服装、人物、风格或背景的一致性。模型随后沿用混合 forcing 与 SRF 完成流式因果适配。推理侧再组合分层混合注意力、per-block W8A8 GEMM、Triton/CUDA kernel fusion、CUDA Graphs、多 GPU context parallelism 和跨模块时间调度，压低每个视频块的延迟。³

公开实验结果很强：Vidu S2-Avatar 在 StreamAV-Bench 的 9 个报告指标全部第一；Vidu S2-Editing 在 Sparkle-Bench 得到 3.74 Overall，在 OpenVE/RefVIE 联合评测得到 4.26 Joint Overall，并把 ViViD 无配对虚拟试衣的 VFID 降到 9.9515，明显低于 CatV²TON 的 19.5131。作者还报告了与商业系统的随机 GSB 人类偏好比较，以及 10 分钟级编辑稳定性测试。⁴

但“实时、可编辑、空间视频”三部分的证据强度并不相同。Avatar 与 Editing 有多组公开 benchmark 支持；空间视频主要是深度估计、视差 warp 与补洞组成的后处理管线，只展示左右眼定性案例，没有立体舒适度、深度精度、头动延迟或用户研究。论文也未充分披露模型参数量、训练计算、具体在线部署硬件、端到端语音至画面延迟和各加速模块消融。因此更准确的判断是：Vidu S2 给出了一个有竞争力的实时生成与编辑系统方案，但尚未提供足够信息让第三方复现其完整速度—质量—成本边界。

1. 论文基本信息

核心链接：

• Hugging Face 详情页：https://huggingface.co/papers/2609.11638
• arXiv 摘要页：https://arxiv.org/abs/2609.11638
• arXiv 完整 HTML：https://arxiv.org/html/2609.11638v1
• arXiv PDF：https://arxiv.org/pdf/2609.11638
• 官方 GitHub：https://github.com/shengshu-ai/Vidu-S
• 官方项目页与在线演示：https://www.vidu.com/vidu-stream
• 官方 API 文档入口：https://platform.vidu.com/vidu-stream/doc

2. 背景与动机：从“生成文件”到“运行视觉状态”

2.1 离线扩散视频为什么不适合交互

Sora、Veo、Wan、Seedance 等模型主要优化完整视频质量：模型对整段时空 latent 反复去噪，完成后才交付结果。这适合广告、短片和素材生产，却无法支持对话、直播、游戏或 VR 中的连续反馈。交互系统面对的是另一组约束：

1. 因果性：不能看到未来输入，只能用当前指令和历史状态生成下一块；
2. 低延迟：画面必须持续输出，不能等待整段视频完成；
3. 长程稳定：自回归误差会逐块积累，人物身份、背景和动作不能持续漂移；
4. 运行时可控：指令和参考图会在流中途改变，系统需要保留未被要求改变的状态；
5. 成本约束：视频 DiT、VAE 编解码和高分辨率恢复都必须挤进实时预算。

Vidu S1 已证明因果扩散可以用单张人物图和语音生成无限长度的 540p 流式视频，最高 42 FPS；但它仍偏向 talking head，启动后参考图固定，大幅肢体动作较弱，也不能编辑外部视频流。Vidu S2 的目标就是补齐这四个缺口。⁵

2.2 真正困难的是推理分布而非单帧清晰度

流式生成中，第 (i) 个块依赖模型自己生成的前 (i-1) 个块。若训练时总是看到干净真值历史，部署时却看到带误差的自生成历史，就会产生 exposure bias。短片中不明显的脸部偏差、背景移动或肢体变形，会在长流中递归放大。

Self-Forcing 已经让模型在训练时使用自身 rollout 和 KV cache，缩小训练—推理差距；Vidu S2 认为它仍有两个限制：自生成历史以干净状态输入，且与当前计算图断开，后段损失不能跨块回传。SRF 正是针对这两个问题设计。⁶

2.3 编辑比生成多了一条同步约束

数字人生成只需让输出响应音频与指令；实时编辑还必须与用户动作逐帧同步。若编辑模型让目标帧任意读取其他时间点的源帧，即使画质很好，也可能出现动作提前、滞后或身份信息跨帧污染。Vidu S2-Editing 因而把“源帧和目标帧的时间一一对应”直接写入 attention 结构，而不是仅靠训练数据学习。

3. 核心贡献

3.1 统一实时数字人与实时编辑

Vidu S2-Avatar 支持语音交互、大幅全身动作和运行时参考更新；Vidu S2-Editing 接收连续视频流，完成全局风格、服装、人物与背景四类编辑。两者共享从双向能力模型到分块因果模型的训练思路，也共享推理加速基础设施。

3.2 Self-Replay Forcing 缩小长流训练—推理差距

SRF 先让当前 student 完成长自回归 rollout，并将轨迹与 KV cache detach；再对整条自生成轨迹的各块独立加噪，在一个保留块间梯度连接的因果 pass 中重放。DMD 监督使 student 靠近 teacher 分布，perceptual loss 抑制 mode collapse。它避免保留原始长 rollout 的完整计算图，同时让后续块的损失在 replay 内跨块传播。

3.3 帧对齐注意力保证编辑时序

目标视频 token 可在目标序列内双向交互，但每个目标帧只访问同时间点源帧；参考图 token 则对所有帧开放。这个非对称设计把“动作与时序由源视频决定、外观由参考图决定”变成结构先验，也能自然转成因果流式版本。

3.4 动态参考与视觉反馈形成 agentic control loop

VLM agent 将用户文本或语音、初始人物图和新增参考图转成结构化 prompt，区分身份、表情、视线、姿势、动作与持续持有物。它按时间检查生成帧，判断动作已完成、部分完成或偏离，再决定保持结果状态还是修正后续指令。例如“拿起杯子，然后微笑”完成后，后续 prompt 会保留“继续拿着杯子”，只改变表情。

3.5 系统级推理优化而非只依赖蒸馏

论文同时压缩 attention、线性层、kernel launch、设备通信和模块空闲时间：不同层在 SageAttention、SpargeAttention 与 Sparse-Linear Attention 之间按敏感度选择；线性层使用 per-block W8A8 GEMM；稳定执行序列用 CUDA Graphs；多 GPU 采用 Ulysses-style context parallelism 并量化通信 tensor；VAE encoder、backbone、Refiner 和 VAE decoder 则沿共同时间线复用 GPU。

4. Vidu S2-Avatar 方法详解

4.1 数据管线：为动作、清晰度和时序重新筛选

Avatar 沿用 clipping、filtering、speech processing、captioning、embedding 五阶段框架，并做四项增强：

• 加入单人舞蹈、2D/3D 动画数据，扩大表情和全身动作分布；
• 对候选剪辑点用 VLM 二次检查，在保留细微转场检测能力的同时，将误拒率控制在 2% 以下；
• 不只按标称分辨率筛选，而综合分辨率、帧率、codec、pixel format、bit depth、bitrate、纹理、边缘与压缩伪影评价真实清晰度；
• 对轻微旋转、推拉或跟拍的视频先分割前景，再用背景特征匹配估计几何变换并稳定背景，避免为了静态背景丢弃丰富动作。

Caption 也从“主体、环境、镜头”字段列表改成按事件顺序排列的 dense caption，标注动作发生区间、组成步骤和结果。chunk 不再按固定时长或语音边界切分，而按事件边界切分，以降低指令切换时的响应延迟。

4.2 从双向模型到因果流式模型

基础模型是 reference-conditioned audio-visual joint DiT。参考图 $r$ 在所有 segment 间共享，每段 $x^i$ 都有自己的 caption 或条件 $c^i$。训练同时覆盖：

• I2V：参考图是目标视频首帧；
• R2V：参考图是外部提供的人物、物体或场景图。

随后把时间 attention 换成 block-wise causal mask：当前块只能读取参考图、当前条件和有效历史。Teacher Forcing 提供干净真值历史，Diffusion Forcing 为历史注入不同噪声等级；二者混合，让模型既获得稳定起点，又适应不完美的生成历史。

4.3 Self-Replay Forcing 的两阶段过程

SRF 可拆成两个阶段：

1. Rollout：student 按真实推理方式生成长轨迹，轨迹和 KV cache 均 detach，避免保存庞大的反向图；
2. Replay：抽取自生成轨迹，对每块重新加噪，在一次 gradient-enabled causal pass 中重放，对所有块施加 DMD 与 perceptual loss。

关键区别在于：rollout 本身不回传，但 replay 中各块仍处于同一计算图。这样训练看到的是 on-policy 自生成状态，后段错误又能对前段表示施加学习信号。模型继续使用 sink blocks、sliding-window context 和 noisy KV cache 控制无限流的上下文成本。

4.4 偏好优化和单步超分辨率

双向阶段用 diffusion DPO 改善画质、表情、动作自然度和音画同步，为因果蒸馏提供更强 teacher；流式阶段使用 Streaming Negative-aware Fine-Tuning，在 SRF 自生成轨迹上做 reward-based optimization，进一步提高动作控制和指令遵循。

主干在较低分辨率 latent 上快速运行，单步 Refiner 负责放大到 720p。主干读取高噪声历史 cache，以传播粗粒度动作与长程结构；Refiner 读取低噪声高分辨率 cache，保留身份和局部纹理。这种非对称 cache 把“时间稳定”和“空间细节”分工处理，避免高分辨率主干直接吞噬实时预算。

4.5 VLM agent 的状态管理

运行时新增参考图会先被分类为手持物、背景或服装，再与用户意图合成 prompt。视觉反馈模块按时间检查动作完成度，并用置信度或重复观察的一致性决定是否接受。这个系统层补丁很重要：生成模型本身并不等于可靠状态机，VLM agent 负责把自然语言动作拆成可持续的视觉状态，并对失败做闭环纠正。

5. Vidu S2-Editing 方法详解

5.1 四类互斥数据各 20 万条

作者从 Avatar 管线筛选出的高质量视频中构建 80 万条数据，再划分为四个互不重叠的 20 万条子集：风格迁移、人物替换、背景替换和虚拟试衣。

风格迁移数据不是简单逐帧滤镜。系统先从原视频估计 surface-normal video，再训练条件模型用法线视频和参考帧重建原视频；生成配对数据时，把参考帧换成风格化图，保留原视频的空间结构与动作。作者称该方法覆盖超过 50 种写实和非写实风格。其他任务则结合专用编辑模型与 Bernini、SCAIL-2、Wan2.1 VACE、SAMA-14B、CoinVE-Edit 等开源模型生成候选，再做后过滤与比较选择。

Caption 只描述编辑目标、参考图属性和“非目标内容必须保留”的约束，不向 caption VLM 提供源视频，以防源内容从文本条件泄漏。

5.2 帧对齐的条件 DiT

模型接收 noisy target video、source video、reference image 和 segment-level instruction。源视频与参考图编码成条件 token，与目标 token 拼接，并用 condition-specific RoPE 区分各 token 流的时空位置。

双向阶段的注意力规则是：

• 目标帧之间可以双向建模，以建立强视觉和运动先验；
• 每个目标帧只与同时间点源帧交换信息，以保存动作和节奏；
• 所有目标帧都可读取参考图，以维持新外观的一致性。

因果阶段将目标时间 attention 改成 block-wise causal mask，并复用 Avatar 的 Hybrid Forcing 与 SRF。在线编辑时，每个源帧在产生对应目标帧后即可从 cache 中释放，避免源流无限占用显存。

5.3 跨模块时间调度

静态部署会为 VAE encoder、backbone、Refiner、VAE decoder 各自保留 GPU，即使某模块当前空闲也不能让出资源。Vidu S2 按视频块的执行时间线细粒度调度：backbone 或 Refiner 暂时不用某些 GPU 时，VAE 编解码器复用这些设备。这降低了专用 GPU 数量和端到端等待，但论文没有公开足够的模块级 latency 表，第三方仍无法量化每项优化的独立贡献。

6. 空间视频：有效原型，但不是原生 3D 世界模型

6.1 单目生成转左右眼视图

Vidu S2-Avatar 先生成普通单目视频块。后处理为每帧估计深度，将中心视图按水平视差向相反方向 warp，合成左右眼图像；对物体边界和 disocclusion 区域产生的孔洞做轻量补全，并在时间上稳定深度估计，减少深度闪烁。

6.2 两条编辑路径

• 单目输入：先由 Vidu S2-Editing 编辑，再转左右眼视图；
• 双目输入：先把左右视图横向拼接成宽视频，一次完成两眼编辑，再拆分输出。

这条路径能快速把实时 2D 系统接到头显，却没有显式 3D scene representation、多视角一致性约束或头部六自由度视点生成。用户转头后自由观察的 panoramic spatial video 被作者列为未来方向，而非当前能力。

7. 实验设计

7.1 任务与 benchmark

StreamAV-Bench 的 Progressive 与 Interactive track 各含 160 个场景；Interactive 每 30 秒更新一次、共 5 次，最长 180 秒。内部数字人协议还覆盖 160/320/480 ms 音频块、打断与恢复、5 分钟稳定性、端到端延迟和成本。内部编辑集另含 10 分钟级视频，用来观察遮挡、运动中的编辑区域和生成背景是否漂移。⁴

7.2 指标与评审

数字人评测同时使用 LAION Aesthetic Predictor、Gemini judge、AudioBox Aesthetics、ImageBind、Synchformer 以及长程主体/背景一致性指标。视频编辑沿用各 benchmark 的任务指标。内部 GSB 由 20 名具有计算机视觉、图形学、视频制作或画质评估背景的专业评审完成；评审先经过校准，再对同步输出选择 Good、Same 或 Bad，系统保留输入、随机种子、模型版本、服务区域和标注记录。

这比只给一项模型评分更完整，但仍要注意：公开表中的多个指标依赖 learned evaluator；内部 benchmark、商业系统版本和原始输出没有作为可复现数据集公开。

8. 核心实验结果

8.1 StreamAV-Bench：九项报告指标全部领先

表中只列最有代表性的对照；原表共比较 14 个系统。Vidu S2 的优势没有集中于单一画质分数：AVSync 最低，AVAlign、AIF、主体一致性和背景一致性也最高，说明其核心卖点确实落在流式音画协同和长程稳定，而不只是单帧清晰。

8.2 Sparkle-Bench：流式编辑超过所测离线与流式基线

领先幅度并不总是巨大，例如 Vis. 只比 Kiwi-Edit 高 0.01，BgVi. 比 Decart-Lucy2.5 高 0.02；更有意义的是它在维持实时流式约束的同时，没有以显著牺牲画质换速度。

8.3 OpenVE、RefVIE 与 ViViD

Vidu S2 的 Joint Overall 比最强可比较离线基线 Bernini-R 14B 高 0.34；RefVIE 比流式 Decart-Lucy2.5 高 0.07。无配对虚拟试衣中，Vidu S2 的 VFID 为 9.9515，CatV²TON 为 19.5131，ViViD 为 21.8032。按该指标定义，Vidu S2 的生成分布更接近参考视频分布。

8.4 人类偏好与长流案例

在作者内部比较中，Vidu S2-Avatar 的整体质量相对 Runway Character GWM-1 获得 85.7% 偏好，相对 PixVerse Image Avatar 与 HeyGen 均为 100%；语义遵循偏好率落在 71.4%–100%。但这些百分比呈现 14.3% 的步进，说明部分条件下有效配对数可能很小；论文没有在正文中给出每个柱子的完整计数和置信区间，不能把 100% 当作对商业系统的稳定总体优势。

视频编辑内部评测包含 150 对样本。平均一致性分数为 Vidu S2 3.56、Decart-Lucy2.5 2.59、XMax-X2.0 1.67。定性案例显示，Vidu S2 在水彩/工笔风格、白衬衫/牛仔服试穿、人物与卡通角色替换、巴黎咖啡馆/卧室背景替换中，更能保持姿态、相机轨迹、手—衣遮挡和细轮廓边界。

9. 结果应该如何解读

9.1 “全部第一”依赖统一评测条件

论文强调相同输入、预处理、时间采样、evaluator 和评分 rubric；只有在 benchmark、split 与 metric 完全一致时才复用已发表分数。这提高了表内可比性。但一些商业系统只能通过服务接口访问，版本、地区和安全策略可能改变输出，表格不是永恒不变的产品排行榜。

9.2 实时性是联合系统属性

25–42 FPS 不是单靠 SRF 获得，而是少步因果扩散、低分辨率主干、单步 Refiner、混合 attention、W8A8、kernel fusion、CUDA Graphs、context parallelism 和时间调度共同作用的结果。论文没有提供逐项消融，因此无法判断算法创新和工程优化分别贡献多少，也无法据此预测换硬件或移植开源模型后的速度。

9.3 空间视频证据只能支持“可行性展示”

空间视频没有公开 benchmark 数值，只展示左右眼图和主观深度分离。单目深度加 warp 的方案容易在头发、手指、透明物体、快速运动和遮挡边界处产生错误；时间稳定深度与轻量补洞能缓解但不能消除。没有头显上的 motion-to-photon latency、眩晕率、双目冲突或用户舒适度实验，就不能把它等同于生产可用的实时 VR 世界模型。

10. 局限与批判性分析

10.1 关键训练细节披露不足

论文未充分公开 Avatar 与 Editing 的参数量、训练时长、GPU 数量、数据许可组成、DPO/NFT 奖励模型细节和完整超参数，也未发布权重与训练代码。SRF 的思想可以理解，但外部团队难以复现报告中的质量和吞吐。

10.2 速度、延迟和成本缺少完整账本

作者报告 720p、25–42 FPS，并称可在低成本 GPU 上服务，但没有在主文中给出具体 GPU SKU、batch size、并发数、首帧延迟、语音识别延迟、VLM agent 延迟、网络传输、P50/P95 延迟和每分钟成本。帧率满足实时不等于交互响应足够快；多 GPU context parallelism 也可能提高部署门槛。

10.3 缺少针对核心组件的消融

公开结果比较了完整系统与外部基线，却没有系统拆分 SRF、Streaming NFT、动态参考训练、视觉反馈、Refiner cache 设计、不同 attention 与 W8A8 的独立增益。因而“为什么赢”仍主要由方法叙述解释，而不是由受控消融识别。

10.4 数据合规与身份安全未展开

数字人、人物替换和虚拟试衣直接涉及肖像权、深度伪造、冒充、未成年人安全和训练数据授权。论文只提到内容安全过滤，没有报告水印、生成内容标识、活体与授权验证、滥用红队、偏见或跨肤色/体型/服饰评测。这些不是外围产品问题，而是实时人物生成能否部署的核心条件。

10.5 人类评测与 learned judge 都有统计边界

20 名专业评审与校准流程值得肯定，但部分数字人 GSB 的样本规模看起来很小，正文没有给置信区间。StreamAV-Bench 多项分数依赖 Gemini 等 learned judge，也没有报告 judge variance 或多 judge 一致性。公开 benchmark 第一不等于真实用户在所有输入分布上都会偏好。

10.6 空间视频不是几何一致的可探索场景

当前方法从每帧深度合成立体对，适合固定观看方向；它没有持续 3D geometry、自由视点重渲染或 panoramic scene memory。论文自己也把可转头探索的全景空间视频列为未来工作。称其为“空间视频生成”合理，但称其为“实时 3D 世界生成”会超出证据。

11. 应用影响

11.1 实时数字人与直播

动态参考图让数字人在不中断会话的情况下换装、换景或拿起指定商品，适合直播导购、虚拟客服、远程教育和互动娱乐。VLM feedback loop 还提供了把高层自然语言意图转成持续视觉状态的通用架构。

11.2 摄像头流与创作工具

Vidu S2-Editing 可以把“录制后剪辑”前移为“输入时编辑”：直播风格化、实时背景、虚拟试衣、角色扮演、预可视化和视频会议都是直接场景。帧对齐 attention 对任何需要保留原动作的 streaming transformation 都有借鉴价值。

11.3 XR 与 passthrough

单目流先编辑再转双目，可为现有 2D 内容提供低成本 XR 入口；双目流联合编辑则可作用于头显 passthrough。但实际产品必须优先验证头动延迟、双目一致性和失配时的安全降级，不能只看离线左右眼截图。

11.4 推理基础设施

最可迁移的经验可能不是具体产品能力，而是“模型与 runtime 共设计”：低分辨率因果主干负责时间结构，轻量 Refiner 恢复空间细节；按层选择近似 attention；量化通信而不仅量化权重；按时间复用异构模块的 GPU。其他实时多阶段生成系统也可以采用类似预算分配。

12. 相关工作与技术定位

12.1 Vidu S1：实时交互的直接前身

Vidu S1 以 TurboDiffusion 和 TurboServe 支持 540p、最高 42 FPS 的无限流数字人，确立了 voice-controlled causal video generation 路线。S2 保留其 sink block、sliding window、noisy KV cache 和系统加速思想，同时把分辨率提升到 720p，引入全身动作、动态参考和外部视频编辑。⁵

12.2 Self-Forcing：从真值历史转向自生成历史

Self-Forcing 针对 autoregressive video diffusion 的 exposure bias，在训练中用模型自身 rollout 和 KV cache 作为条件，并以截断梯度控制成本。SRF 沿这一路线继续前进：它对自生成轨迹重加噪，并在 replay 内恢复跨块梯度连接。二者不是互斥方法，而是从“看到推理分布”到“在推理分布上更充分学习”的递进。⁶

12.3 TurboDiffusion 与实时推理栈

TurboDiffusion 把低比特 SageAttention、Sparse-Linear Attention、step distillation、W8A8 和工程优化组合用于视频扩散加速。Vidu S2 将这些思路扩展到持续流服务，再加入层级敏感度选择、CUDA Graphs、多 GPU 量化通信与跨模块调度。⁷

12.4 流式视频编辑

Bernini、Kiwi-Edit、VInO、OmniWeaving、LiveEdit、VACE、StreamDiffusionV2、XMax-X2.0 和 Decart-Lucy2.5 等路线覆盖离线或流式编辑。Vidu S2 的定位不是增加第五类编辑任务，而是用一个 reference-conditioned causal DiT 统一四类常见编辑，并把源—目标同步写进 attention mask。

12.5 流式评测

传统 VBench 类评测偏向完成视频，难以测量运行时指令更新、状态保持和长流漂移。StreamAV-Bench 专门设置 Progressive 与 Interactive tracks，并覆盖 32 个细粒度维度；Vidu S2 使用它来证明优势来自交互与稳定性，而非只在短片画质上领先。⁸

13. 实践建议与后续研究

对准备复用这条路线的研究或工程团队，优先级应是：

1. 把首帧延迟、指令到动作延迟、steady-state FPS、P95 抖动、显存与每分钟成本分开测量；
2. 用相同 backbone 做 Teacher Forcing、Diffusion Forcing、Self-Forcing 与 SRF 受控消融；
3. 公开不同长度下的身份、背景与动作误差曲线，而不只给 90 秒或 5 分钟终点；
4. 对动态参考建立状态机 benchmark，测量新增、撤销、冲突参考和失败恢复；
5. 对编辑任务加入快速遮挡、多人交互、镜面、透明材质、极端光照与跨镜头测试；
6. 对空间视频测量深度误差、左右眼冲突、disocclusion artifact、motion-to-photon latency 和用户舒适度；
7. 把人物授权、水印、内容凭证、滥用检测和审计日志纳入系统指标；
8. 发布最小可复现权重、推理配置和硬件基准，使速度—质量结论可以外部验证。

14. 结论

Vidu S2 的真正进步，是把高质量视频模型从一次性交付工具推进为持续接收指令、参考图和源视频的运行系统。SRF 处理自生成历史上的训练问题，帧对齐 attention 保存编辑时序，VLM agent 管理动态视觉状态，Refiner 与推理栈则把这些能力压进实时预算。公开 benchmark 表明 Avatar 与 Editing 都具备很强竞争力。

同时，这篇技术报告更像完整商业系统的研究说明，而不是可独立复现的开放模型论文。模型规模、训练细节、硬件和延迟账本、关键消融、安全评测仍明显不足；空间视频也处于可行性原型阶段。对行业而言，它证明了实时生成与实时编辑正在汇合；对研究而言，下一步最重要的不是再增加演示能力，而是把可复现性、长程因果误差、交互延迟和安全边界纳入同一套公开评测。

参考资料

官方 GitHub 介绍仓库：https://github.com/shengshu-ai/Vidu-S