MaineCoon

MaineCoon 是一个面向社交场景的实时音视频联合生成模型，旨在构建可交互的‘社交世界模型’。其核心是一个220亿参数的自回归生成架构，支持端到端流式推理，在单张H100 GPU上实现最高47.5 FPS的同步音视频生成与亚秒级响应，生成成本低于0.001美元/秒。技术特点包括专为流式设计的注意力机制、KV缓存优化、音频-视觉联合建模及面向社交动态（如对话节奏、情感反馈）的训练范式。适用于实时虚拟人交互、社交平台内容生成、AI助手音视频响应等低延迟、高互动性场景。