视频压缩圈现在用的生成模型，几乎全是「借来的」。GenVC（arXiv:2607.22772，微软亚洲等）做了一件反直觉的事：不借，从零训一个，训练目标里只有压缩。
**问题出在哪。**把一段视频压到极低码率（每像素只给零点几个比特，相当于弱网视频会议、卫星链路那种量级），传统编码器靠切块、预测、只传残差，压到极限画面就开始碎：块效应、涂抹、人脸糊成色块。于是近两年出现一条新路线：反正画面最终是给人看的，不如只传一个粗糙骨架，让解码端的生成模型把丢掉的细节「想象」回去。但这条路线的通行做法，是抓一个在海量图文对上预训练的扩散模型（扩散模型：一步步把随机噪声「擦」成图像的生成模型）改装成解码器。这有两个先天问题：借来的模型动辄几十亿参数，端上跑不动；更要命的是，它学到的是「怎么凭一段文字画一个好看的片子」，而不是「怎么把一张被压缩毁掉的画面修回去」。
**第一个转折：把「压缩」写进训练目标。**GenVC 从零训练了一个视频扩散模型，见过的每一对输入输出都是「压缩后的粗糙画面 → 高质量重建」。模型直接在像素空间工作，不经过 VAE（把图像先压进低维隐空间的中间层）——因为那一步本身就会丢细节，而复原恰恰丢不起细节。结构上先全局后局部，先恢复整体运动和亮度，再补细纹理。换来的是模型小一个量级：4.78 亿参数，对比借来的十亿级骨干。
**第二个转折更有意思：一步生成的学生会把运动「冻住」。**扩散模型要迭代几十步才能出图，实时解码用不起，所以要「蒸馏」成一步——常见做法 DMD（分布匹配蒸馏：让一步模型直接模仿多步模型的输出分布）一用上去就出怪事：画面质量不错，但人不动、旗帜不飘。作者追下去找到根因：老师（那个多步模型）只见过自己训练时那种带扰动的输入，当学生越练越好、送回老师的信号越偏离老师熟悉的区域，老师的指引就开始瞎指，学生照着改反而越改越歪，形成正反馈死循环。解法叫 Adaptive Score Distillation：每次更新前，先检查这个更新方向和真值方向是否一致，不一致就掐掉。一句话直觉：老师也会看走眼，学生得学会不全信老师。
结果：在超低码率下做到最优感知质量，同等感知指标下比代表性方法 GLVC 平均省 62.5% 码率；单步解码 1080p 在一张 A100 上跑到 15.1 fps。
**能落到哪。**弱网视频会议、直播推流、云游戏回传、卫星与深远海传输，这些带宽见底的场景是直接受益方。更广一层，这篇给影像行业提了个醒：通用生成大模型不是免费午餐，为具体任务从零训一个小的专用生成模型，可能比借几十亿参数的通用模型改装更省也更准。如果这条路线成立，浏览器、聊天软件、相机端都可能各自塞进一个「压缩专用」的生成解码器。
**局限与存疑。**15.1 fps 是 A100 的成绩，离手机端实时还有距离；极限码率下补出来的细节是「合理想象」而非「真实记录」，监控取证类场景要谨慎；62.5% 的节省是相对单一对手测的，优势幅度需要更多横向对比；一步蒸馏的稳定性依赖那个门控机制，换了数据分布是否还稳，有待验证。