📄 Salt++：用上下文对齐把流式音视频生成压到四步
英文题目：Salt++: Context-Aligned Post-Training for Few-Step Streaming Multimodal Generation
标签：#音视频生成 | #知识蒸馏 | #音视频 | #流式处理 | #后训练
评分：7.1/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Xingtong Ge：机构信息未在 arXiv HTML 中可靠披露
- Yutong Wang：机构信息未在 arXiv HTML 中可靠披露
- Lunjie Zhu：机构信息未在 arXiv HTML 中可靠披露
- Haitao Lin：机构信息未在 arXiv HTML 中可靠披露
- Fangyu Lin：机构信息未在 arXiv HTML 中可靠披露
- Yushi Huang：机构信息未在 arXiv HTML 中可靠披露
- Xin Zhang：机构信息未在 arXiv HTML 中可靠披露
- Yi Zhang：机构信息未在 arXiv HTML 中可靠披露
- Yu Liu：机构信息未在 arXiv HTML 中可靠披露
- Jun Zhang：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
少步流式音视频生成以文本为条件，输出时间对齐的音视频块序列，每块同时携带视频隐变量与音频隐变量，需按块顺序联合生成对齐的声音与画面。难点在于块因果遮罩限制未来可见性且少步采样压缩去噪轨迹，常规教师强制以干净历史配带噪目标，仅经速度预测间接监督历史表示，直接复用双向分数模型给因果块打分则生成与打分上下文不一致。因果自流让观测噪声混合历史的在线学生与观测干净历史的指数滑动平均教师处理同一带噪当前块，并对齐二者中间表示，使学生从混合历史恢复预测性上下文信息。上下文对齐的自回归分布匹配蒸馏让生成器采样、估计学生分布分数的辅助分数模型训练与真实分数估计共用同一因果前缀与因果遮罩，在块条件KL目标下对齐生成与参考分布，先做干净前缀少步蒸馏，再沿用同一目标适配自回归生成历史。与需经一致性蒸馏过渡的主流多阶段流程不同，该路线不切换目标，也不需单独的一致性蒸馏阶段。在1000条JavisBench-mini提示480p同为4步因果设置下，Salt++相对OmniForcing在视觉质量（visual quality，VQ）与运动质量（motion quality，MQ）指标上分别提高57.1%和44.5%。该结论限于每段121帧约5秒短片与固定种子单次采样，DeSync只在运动可比时有效，960p对OmniForcing仅为外推诊断，长片外推未经验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
第三方资源：https://xingtongge.github.io/Saltpp → https://xingtongge.github.io/Saltpp/ — 链接可访问（HTTP 200）
代码相关资源：https://github.com/XingtongGe/Saltpp — 暂时无法访问
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
流式音视频生成的输入输出是什么
这篇论文研究文本到音视频联合生成。输入是一段文本条件，输出是时间对齐的视频和音频，要求声音、画面和文字描述对应起来。流式的含义是不必等整段生成完，每产生 1 秒左右的块就可以输出，后面的块只依赖文本和已经产生的块。论文把延迟归为两处，一处是时间上的双向注意力，生成当前块时会看到未来块，天然不适合逐块输出；另一处是扩散或流模型常用的多步积分，采样一次要评估几十次速度场。
Salt++ 建立在双向的 LTX-2 基础上，先做因果化，再做少步化。实验用的片段是 832×480、121 帧、24 帧每秒、约 5 秒，隐变量按 1 秒一块组织，一共五块，每块包含 3 帧视频隐变量和 25 帧音频隐变量，第一块还带有各自的起始帧。例子是餐厅对话，历史里有雨声、灯光和上一句台词，当前块是人物说下一句话，模型需要利用历史线索去噪当前块。
已有三段式路线在输入目标和运行阶段上有何不同
论文梳理的已有路线通常分 3 段。第一段用教师强制把双向基座训成因果教师，输入是干净真实历史加带噪当前块，目标是流匹配速度预测。第二段用常微分方程匹配或一致性蒸馏把多步教师压成少步生成器，输入变成教师轨迹上的相邻点，目标换成一致性或轨迹拟合。第三段在生成器自己的滚出历史下做分布匹配精修，输入不再是真实数据，监督来自分数差。另一类做法直接拿双向分数模型给因果生成器打分，生成只看过去，打分却能看到未来。下图对照了 4 条路线的阶段划分，右侧蓝色为本文路线，底部虚线框为额外的尺度扩展，读图时先看阶段切分再看目标是否切换。
看图路径： 1. 先看三列已有路线在第一阶段是否经过因果教师；2. 再看第二阶段各自标注的初始化目标有何不同；3. 最后看最右侧蓝色路线在哪一段标注同一目标贯穿始终
论文图 1。原论文 Figure 1:：“Comparison with recent causal post-training recipes.”。
从图中可以看到，Self-Forcing、Causal Forcing 系列和 Causal-rCM 在第二阶段分别标注常微分方程初始化、教师强制离散一致性蒸馏等不同起点，第三阶段再转到自滚出下的分布匹配。Salt++ 的不同在于第二阶段直接用上下文对齐的自回归分布匹配做干净前缀蒸馏，第三阶段仍用同一目标，只是把条件从干净历史换成生成历史。底部还标出尺度扩展仍是四次调用，通过因果 2 倍上采样连接低分辨率和高分辨率。这种对照只说明流程差异，性能高低要看后文相同四步因果设置下的数字。
干净历史配带噪目标为何对上下文学习约束不足
因果生成的分解是每块只依赖前缀，教师强制训练时给模型干净真实历史和加噪当前块，让模型预测从噪声指向干净样本的速度。历史与目标之间存在明显的信息不对称，历史是干净的，目标是带噪的，历史里应当有预测当前块的线索。但流匹配损失只比较预测速度和真实速度的均方误差，历史表示的好坏只通过这个速度误差间接反映，没有直接要求历史分支记住说话人、场景或上 1 秒动作。第二个问题出在分布匹配蒸馏。
理想的块条件目标要求生成采样、辅助分数模型训练和价值评估模型打分使用同一个前缀，如果生成用因果前缀而打分引入未来可见性或不同的历史损坏方式，估计的就不是同一个条件分布的对数密度对输入的梯度。
教师强制 × 干净历史 × 带噪目标块： 教师强制是训练时直接用真实历史做条件的做法，干净历史指真实的过去音视频块，带噪目标块指当前要去噪的一秒音视频；三者组合让模型在已知过去的条件下学当前块，但只靠速度预测误差回传，历史分支是否记住语义没有直接监督。
比如当前块是键盘演奏的手部特写，干净历史里有琴谱和前 1 秒手位，模型本应利用这些线索去噪，但速度损失只检查当前块的速度向量是否准确，不直接检查历史分支是否保留了手位信息。同样，蒸馏时若生成只看了过去，而打分又看到未来，分数差就会混入未来信息带来的偏差。
两阶段加一个扩展各自负责什么
Salt++ 的核心是 2 阶段后训练，再加一个独立的高分辨率扩展。第一阶段叫因果自流（Causal Self-Flow，简称 CSF），负责把双向基座训成因果教师，输入处理是构造两种历史视图，学生看加噪混合历史，指数滑动平均教师看干净历史，两者看同一个带噪目标块，再对齐中间表示。
第二阶段叫上下文对齐的自回归分布匹配蒸馏，负责把因果教师压成四步因果生成器，输入处理是生成器在干净前缀下少步采样得到生成块，加噪后分别送给冻结的价值评估模型和在线的辅助分数模型打分，三者共享同一因果掩码和前缀。扩展阶段每块先用两次低分辨率评估得到干净预测，经因果隐变量上采样器放大视频隐变量，再加噪做两次高分辨率评估，总共仍是四次生成器调用。
下图左侧示意教师强制的可见性，右侧对比失配与对齐，读图时注意灰色为不可见，斜线为带噪，红色框为多余的未来可见性。
看图路径： 1. 看左图教师强制掩码中干净列与带噪列的位置关系；2. 看中图干净历史与受损历史是否共享同一个带噪目标块；3. 看右图失配与对齐两行中三者的可见范围是否一致
论文图 2。原论文 Figure 2:：“Two roles of causal context in post-training.”。
左图说明干净历史与带噪目标如何摆放在注意力矩阵中，中图说明干净历史与受损历史共享同一个带噪目标块，右图说明只有三者条件完全相同时，分数差才对应同一个块条件目标。先看因果分解的符号，y 是文本，下标 k 是块序号，c 是当前块可见的条件。
\[p({\bm{z}}_{1:K}\mid{\bm{y}})=\prod\nolimits_{k=1}^{K}p({\bm{z}}_{k}\mid{\bm{c}}_{k}),\qquad{\bm{c}}_{k}=({\bm{y}},{\bm{z}}_{\lt k}).\]上式把整段联合分布写成每块条件分布的连乘。再看固定前缀下生成分布与参考分布在各噪声水平下的差异目标，在线辅助分数模型学前者，冻结价值评估模型代表后者。
\[\mathcal{L}_{\mathrm{DMD},k}(\theta;{\bm{c}}_{k})=\mathbb{E}_{t}\!\left[\mathrm{KL}\!\left(p_{\theta,k,t}(\cdot\mid{\bm{c}}_{k})\,\|\,p_{\mathrm{r},k,t}(\cdot\mid{\bm{c}}_{k})\right)\right].\]在完全对齐时，两个分数之差提供上式梯度中的分数项，这是后文生成器更新的依据。该目标只在前缀固定的条件下成立，换前缀就换了要匹配的分布，所以后文从干净前缀换到生成历史时，目标形式不变但条件分布变了。
因果自流怎样构造加噪历史的自监督信号
因果自流的输入构造分三步。对每个目标块，先按线性流路径把干净块和独立高斯噪声混合成带噪目标块，噪声水平越大越模糊。学生和指数滑动平均教师共享这个目标块、噪声和噪声水平，差异只在历史。对每个过去块独立采样一个历史噪声水平，视频和音频共用同一水平但噪声独立，再按同样线性混合得到带噪历史。学生看到带噪混合前缀，教师看到干净前缀。
表示对齐是把学生较浅层特征经两层投影头映射，去逼近教师较深层特征，用余弦距离作为损失，并对教师分支停止梯度，只对有历史的块计算。总损失是视频和音频的流匹配损失加上加权的表示对齐损失，还以一半概率交替做标准干净教师强制更新。训练完丢掉指数滑动平均分支和投影头，不增加推理开销。下图把 3 种分数配置并排比较，有助于理解为何表示对齐之后还需要分数对齐，读图时注意生成器始终只看过去，而分数分支的可见性在变化。
看图路径： 1. 对比三栏中生成器是否始终只看过去干净块；2. 看左侧两栏红色虚线框是否包含未来块；3. 看最右侧三者共享前缀后分数差如何形成更新方向
论文图 3。原论文 Figure 3:：“Score–context configurations in causal DMD.”。
上图中左侧双双向都用双向上下文打分，中部只把辅助分数模型换成因果，右侧三者都用干净因果前缀。生成器始终在因果前缀下采样并加噪，只有右侧估计的是与生成条件一致的块条件目标的梯度。表示对齐的具体计算是浅层学生特征经投影后与停止梯度的深层教师特征算余弦距离。
\[\mathcal{L}_{\mathrm{rep}}^{m}=\mathbb{E}_{k>1}\bigl[1-\cos\bigl(P_{m}\bigl(H_{\eta,m}^{\ell_{s}}({\bm{z}}_{k,t_{k}},\tilde{{\bm{c}}}_{k},t_{k})\bigr),\,\operatorname{sg}\bigl[H_{\bar{\eta},m}^{\ell_{d}}({\bm{z}}_{k,t_{k}},{\bm{c}}_{k}^{\star},t_{k})\bigr]\bigr)\bigr],\]其中 H 表示某模态某层的表示，P 是投影头。辅助分数模型的训练是让它在同样干净前缀下拟合生成块对应的流场，以便从中得到生成分布的分数。
\[\mathcal{L}_{\mathrm{fake}}=\mathbb{E}\!\left[\left\|D_{\phi}\!\left(\operatorname{sg}(\tilde{{\bm{z}}}_{k,t}),{\bm{c}}_{k}^{\star},t\right)-\left(\bm{\epsilon}_{k}-\operatorname{sg}(\hat{{\bm{z}}}_{k}^{G})\right)\right\|_{2}^{2}\right].\]生成器更新则用价值评估模型与辅助分数模型的干净预测之差构造归一化方向，再通过停止梯度代理把该方向注入生成块。
\[{\bm{g}}_{k}^{m}=\tfrac{\hat{{\bm{z}}}_{k}^{D,m}-\hat{{\bm{z}}}_{k}^{R,m}}{\operatorname{mean}\lvert\hat{{\bm{z}}}_{k}^{G,m}-\hat{{\bm{z}}}_{k}^{R,m}\rvert+\epsilon},\qquad\mathcal{L}_{G}^{m}=\tfrac{1}{2}\bigl\|\hat{{\bm{z}}}_{k}^{G,m}-\operatorname{sg}(\hat{{\bm{z}}}_{k}^{G,m}-{\bm{g}}_{k}^{m})\bigr\|_{2}^{2},\]分母用生成预测与价值评估模型预测差的平均绝对值做归一，音频项再乘一个模态权重。这里的价值评估模型指第二阶段冻结的因果教师分数，辅助分数模型指在线学习的生成分布估计器，与第一阶段的指数滑动平均特征教师作用不同。
因果自流 × 学生 × 指数滑动平均教师： 因果自流是第一阶段的方法名，学生指看到加噪混合历史的在线分支，指数滑动平均教师指看到干净历史并提供特征目标的另一分支；学生用投影后的浅层特征去逼近教师的深层特征，从而在历史受损时仍能恢复可预测下一块的上下文表示。
块条件 KL 目标 × 辅助分数模型 × 价值评估模型： 块条件 KL 目标指固定前缀后比较生成分布与参考分布在各噪声水平下差异的目标，辅助分数模型指在线估计生成分布分数的模型，价值评估模型指冻结的参考分布分数模型；两者在同一带噪块上的分数差提供该目标梯度中的分数项，生成器沿该方向更新。
双向可见性 × 因果前缀 × 分数-上下文失配： 双向可见性指打分时还能看到未来块，因果前缀指生成时只能看到文本和过去块，分数-上下文失配指两者条件不一致导致估计的不是同一个条件分布的分数；对齐就是让生成采样、辅助分数训练和价值评估打分使用同样的块打包、因果掩码和前缀。
一个教学例子是，目标块是人物手部特写，干净历史里有前 1 秒手位，加噪历史把这些线索部分破坏，学生必须从残缺历史中恢复出与教师相近的上下文表示才能去噪好当前块，这正是自监督的压力来源。
上下文对齐的分布匹配如何组织生成与打分
第二阶段有 3 个模型：少步因果生成器、冻结的价值评估模型和在线的辅助分数模型，三者都从同一因果自流检查点初始化，所以价值评估模型就是因果教师本身。干净前缀蒸馏时，生成器在干净真实前缀下少步采样，每轮只评估一个入口噪声水平，入口从 8 个非零点中均匀抽取，推理用的 4 个点是其子集。生成块加噪后，辅助分数模型在相同前缀下学习其条件流场，价值评估模型在相同带噪块和前缀下给出参考分数。
论文比较了双向-双向、双向-因果、因果-因果 3 种配置。只有最后一种让采样、辅助分数训练和价值评估打分使用同样的块打包、因果掩码和前缀，分数差才对应块条件 KL 目标的梯度。教师引导需要重新校准，视频和音频引导各自从 1.0 到 3.5 独立均匀采样，而不是沿用一致性蒸馏的固定 4.0。在线自适应阶段把干净前缀换成生成器自己的滚出历史，但目标形式和对齐方式不变，统一了蒸馏与部署时的历史来源。
三段训练各更新谁冻结谁
因果自流从 LTX-2 出发，保持速度参数化。目标噪声水平在均匀采样后经偏移集中到高噪声区，历史噪声水平从 0 到 0.5 均匀采样，学生第 14 层对齐教师第 34 层，主干共 48 层，投影头是线性加激活加线性且末层零初始化，指数滑动平均衰减 0.99，音频权重 0.16，表示权重 0.05，优化器用 AdamW，学习率从 1e-4 降到 5e-5，在 32 卡上训练。分布匹配蒸馏阶段生成器、冻结价值评估模型、在线辅助分数模型都从同一因果自流检查点初始化。
每轮生成器只评估一次，入口噪声水平从 8 个非零点中均匀抽取并在块和模态间共享，推理用的 4 个点是其子集。分数噪声水平独立采样，辅助分数模型每轮更新，生成器每 5 轮更新一次。视频和音频的教师引导在 1.0 到 3.5 均匀独立采样，而不是沿用一致性蒸馏的固定 4.0，这是后文消融强调的校准。对比用的教师强制离散一致性蒸馏路线从同一检查点出发，用 48 点离散、单位跳步、损失放大 100 倍，教师桥接步用固定 4.0 引导，只优化学生。
在线自适应阶段两条路线都只消费文本提示，不加载配对音视频，生成器按四步推理网格带缓存滚出，每轮共享一个出口。对齐路线继承生成器和辅助分数模型并继续用因果教师做价值评估模型，跑 1.2k 轮，另一路线因无辅助分数模型可继承而改用双向分数跑 2.4k 轮。高分辨率阶段先做 1.6k 轮 480p 双向打分的暖机，再做 2.4k 轮尺度训练，低分辨率网格与高分辨率网格各取两步，上采样器从蒸馏检查点出发并继续接受高分辨率项梯度。
干净前缀蒸馏 × 自生成历史自适应 × 因果隐变量上采样器： 干净前缀蒸馏指在真实历史条件下做少步蒸馏，自生成历史自适应指换成模型自己滚出的历史继续用同一目标训练，因果隐变量上采样器指只看当前块和有限历史窗口做空间放大的模块；前两者衔接训练与流式推理的历史来源差异，后者把四次调用分配到两个空间尺度。
需要说明的是，原文没有报告拿掉投影头或只对齐同层会怎样，也没有给出历史噪声范围之外的系统扫描，因此只能说在报告的配置下表示对齐与后续对齐蒸馏搭配有效，不能推出该权重对所有基座最优。
在什么提示步数和指标下比较才算同条件
评测用 1000 条 JavisBench-mini 官方联合提示，每条生成一个样本，种子按序号偏移固定，视频和音频分别从编码输出评测。另有一条改写轨道，用官方 LTX-2 提示增强器以固定种子对每条联合提示改写一次，得到更长的 1000 条提示，所有模型共用同一套改写，不各自重写。480p 生成 121 帧，推理时因果教师用 40 步欧拉采样且视频音频引导都是 4.0，少步模型用四步网格和引导为 1。官方主比较报告视觉质量、运动质量、音频质量、CLIP 文本视频一致、ImageBind 音频视觉一致、Javis 分数和 DeSync，其中 DeSync 越低越好。
另在同样 480p 生成上报告 VBench 的美学、成像、主体一致、背景一致。初始化消融还报告 ImageBind 文本视频和文本音频一致，教师阶段还用 AVH 分数和 CLAP。改写轨道不报告文本依赖指标，理由是长改写可能超出编码器文本长度且没有分开的音频视频描述。960p 评测输出 1664×960，LTX-2 用 40 加 3 步高分辨率路径，OmniForcing 是直接把已发布检查点放到 960p 网格，属于分辨率外推诊断，不是分辨率匹配训练的基线。
DeSync 只估计音视频时间偏移，不评价任一模态质量，近乎静止的视频会因无运动可错位而得到偏低的 DeSync，原文明确要求结合视觉和运动质量一起读。
四步 480p 主结果在哪些指标上领先
这里比较的问题是上下文对齐的分布匹配路线是否优于已发布的四步因果基线。公平条件是同提示、同种子、四步、引导为 1，质量和一致类越高越好，DeSync 越低越好。下表整理官方提示下相对提升的原文报告，裸数值为原文给出的百分比，方向为越高越好。
| 对比 | 视觉质量相对提升 | 运动质量相对提升 | 步数条件 | 提示集 |
|---|---|---|---|---|
| 对齐路线相对 OmniForcing | 57.1% | 44.5% | 4 步因果 | 官方提示 |
结合表中数字看结果的适用范围，对齐路线在视觉和运动质量上明显高于 OmniForcing，相对提升按原文算法为 57.1% 和 44.5%，音频也略高，但在 ImageBind 音频视觉一致、Javis 分数和 DeSync 上不如离散一致性蒸馏路线，在美学上不如 OmniForcing。VBench 四项中对齐路线在成像、主体、背景上占优，美学仍是 OmniForcing 较高。限制是选中静帧好看不代表整段时序和音频都好，VBench 一致性只针对所评片段，不涉及更长滚出。
换成更长改写提示后优势是否还在
这里回答提示措辞变化时的敏感性，比较对象、步数和种子都与主结果一致，只是提示换成同一套增强改写。指标方向不变，仍是质量越高越好、DeSync 越低越好。下表整理改写轨道的原文报告，数值为原文给出的百分比。
| 轨道 | 视觉变化 | 运动变化 | 备注 | 对照对象 |
|---|---|---|---|---|
| 改写提示相对 OmniForcing | 59.0% | 64.6% | 七项全优 | 同四步因果 |
表后看，对齐路线在改写轨道视觉和运动分别提升 59.0% 和 64.6%，支持优势不只依赖官方短提示，但适用条件仍是同一改写器、同一批提示和四步因果推理，不能推广到任意用户措辞。改写轨道上离散一致性蒸馏路线仍在部分语义一致指标上占优，说明对齐路线的主要增益在视觉和运动质量，语义对齐仍有让步。
高分辨率扩展用几次调用做到多大输出
这里回答分辨率变化时的表现，输出换成 1664×960，调用预算仍是四次生成器评估，低分辨率和高分辨率各两次。比较的 LTX-2 参考用 40 加 3 步，OmniForcing 为分辨率外推。下表整理高分辨率扩展的原文事实，数值为指标分数。
| 条件 | 输出 | 调用预算 | 对照 | 备注 |
|---|---|---|---|---|
| 尺度扩展原生 960p | 1664×960 | 四次生成器评估 | LTX-2 参考 40 加 3 步 | 六项占优 |
表后看，尺度扩展用四次生成器调用做到原生 960p 输出，在七项中的六项高于 LTX-2 参考，例外是 DeSync。限制是 960p 的 OmniForcing 只是外推，不是同分辨率训练的对手；调用次数不等于跨分辨率的实际耗时，因此四次调用省的是评估次数，不是测得的延迟。定性上原生 960p 比双线性放大的 480p 保留更多面部细节，但选中静帧不能证明整段时序或音频质量。
分数上下文从双双向到全对齐带来了什么变化
消融在教师强制下、进入自生成历史之前比较，问题是打分上下文是否要与生成一致。条件是同训练配置、同评测协议、四步推理。下表整理原文连续句中的关键数字，裸数值为指标分数。
| 条件 | 视觉质量 | 运动质量 | 辅助分数模型 | 价值评估模型 | 备注 |
|---|---|---|---|---|---|
| 双双向 | 0.837 | 0.140 | 双向 | 双向 | 基线 |
| 单对齐 | 1.131 | 0.157 | 因果 | 双向 | 小幅上升 |
| 全对齐 | 3.147 | 1.351 | 因果 | 因果 | 五项最好 |
| 离散一致性蒸馏 | 1.916 | 0.611 | 不适用 | 因果教师 | 对照路线 |
表后解释，只对齐辅助分数模型时视觉运动从双双向的低点小幅上升，全对齐后大幅上升并在七项中的五项最好。相对离散一致性蒸馏，全对齐在七项全优，视觉运动从 1.916/0.611 提高到 3.147/1.351，支持分布匹配可直接做少步主目标而不必先做一致性蒸馏。但反例是双向对因果在 DeSync 上最低，原文用近乎静止解释，称其视觉仅 1.131、运动仅 0.157，几乎无运动可错位，因此不能单看 DeSync 判优。读图说明如下，横轴是训练迭代，纵轴是各一致分数，红色为因果自流，蓝色为干净教师强制，四面板分别为 3 种音频视觉一致和一种音频文本一致。
看图路径： 1. 先看横轴训练迭代与纵轴各一致分数的范围；2. 对比红色因果自流与蓝色干净教师强制在前三个面板的相对位置；3. 再看第四个面板中两者何时接近或反超
论文图 5。原论文 Figure 5:：“Cross-modal alignment during AR teacher training.”。
图后可见，在初始优化后红色在前三面板持续高于蓝色，第四面板后期才拉开。这与表格中教师阶段的结论一致，但这只是 40 步推理下的教师比较，不能直接当成四步生成器的提升幅度。
教师引导为何不能沿用一致性蒸馏的固定高值
这里比较固定视频音频引导 4.0 与从 1.0 到 3.5 独立均匀采样，模型都是全对齐配置、同训练轮数、同四步推理和引导。问题是分布匹配的教师目标是否需要更低且随机的引导。下表把原文报告的相对提升整理成可读形式，数值为原文给出的百分比，方向为越高越好。
| 提示集 | 视觉相对提升 | 运动变化 | 引导设置 | 训练轮数 |
|---|---|---|---|---|
| 官方提示 | 91.5% | 超过 1 倍 | 随机低引导优于固定 4.0 | 相同 |
| 改写提示 | 82.9% | 超过 1 倍 | 随机低引导优于固定 4.0 | 相同 |
表后解释，降低并随机化引导后视觉大幅提升、运动翻倍以上，定性上保留更多色调和纹理细节。这说明直接继承一致性蒸馏的高固定引导对分布匹配不是最优，校准本身是方法的一部分。限制是原文只比较了这两组设置，没有扫描更细的范围，也没有报告音频质量和同步是否同步变好，因此不能说该区间对所有数据和分辨率最优。自生成历史自适应后定性上过曝减少，但原文只给文字描述而无独立数字表，只能当作延续同一目标后的分布外适应，不能单独量化其贡献。
哪些结论有边界哪些指标容易误读
先说未胜出和负结果。对齐路线在 480p 官方提示的语义一致和同步三项上不如离散一致性蒸馏路线，在美学上不如 OmniForcing，在 960p 的 DeSync 上不如 LTX-2 参考。双向对因果的 DeSync 最好但视觉运动最差，证实 DeSync 需与视觉运动一起读。训练与部署成本要分开，原文给出训练卡数和轮数，推理开销只以调用次数描述，明确说调用次数不等于跨分辨率或跨系统的实际耗时，因此四次调用省的是评估次数，不是测得的延迟或帧率。
数据方面后训练用内部音视频数据，划分和采样细节未完全公开，复现时只能用自有数据近似。尺度阶段的分数模型看完整滚出且用双向可见性，与核心阶段的块条件对齐不同，目标是尺度滚出水平的匹配，不能与块条件 KL 混为一谈。高分辨率定性图是选中可视化，细节窗位置跟随主体且非像素对齐的超分对，不能据此断言整段时序或音频质量。
复现第一步做什么需要哪些超参数
复现先从双向 LTX-2 出发，按 1 秒一块组织音视频隐变量，文本加历史组成前缀，块内允许音视频互看，块间只看过去。第一步做因果自流，历史噪声从 0 到 0.5 均匀采样，目标噪声经偏移集中高噪声区，浅层对深层做余弦对齐并停止教师梯度，以一半概率混入干净教师强制，音频权重 0.16，表示权重 0.05。
得到因果教师后，把生成器、冻结价值评估模型、在线辅助分数模型都从该检查点初始化，在干净前缀下做四步蒸馏，入口噪声从八点中均匀抽取，分数噪声独立采样，辅助分数模型每轮更新、生成器每 5 轮更新，教师引导从 1.0 到 3.5 独立采样，再转到生成历史继续同目标训练。尺度扩展需先蒸馏窗口化因果上采样器，再分配两步低分辨率加两步高分辨率。关于可用性，论文给出项目页面链接，代码链接本次未能确认可达，文档完整性为部分，因此不能写作者资源已公开或可一键运行。
容易误解的是冻结参数不等于输出确定，采样噪声、入口选择和历史滚出都会带来随机性；无配对音视频的自适应阶段仍有学习，只是监督来自分数差而非真实数据。
什么时候值得尝试还需要补哪项验证
当任务已是逐块流式且只能负担几次模型评估，又能接受先训因果教师再做分布匹配时，值得尝试这条路线，特别是历史语义对当前块重要、且此前用双向分数给因果生成打分的场景。复现第一步是把基座改成块因果掩码并跑通因果自流的双视图对齐，确认音频视觉一致有提升后再进入对齐蒸馏。还需补的验证包括在公开数据上的重复、更长滚出的时序稳定性、人工听感与同步评价，以及实际延迟与显存的测量，因为原文的调用次数不能替代这些。
回到开头的问题，Salt++ 的价值在于把上下文不对称变成表示学习的直接信号，并让生成与打分在同一前缀下比较，从而省掉单独的一致性蒸馏段；代价是仍需仔细校准教师引导，并在语义一致和同步的部分指标上让步于对比路线，高分辨率扩展也换用了不同层次的匹配目标。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses