这篇论文有意思的地方，不是又把码率压低了一截，而是把「解码」这件事本身换掉了：接收端不再从码流里抠像素，而是让一台冻结的视频生成大模型，一步把画面重新「想」出来。
视频通话卡成马赛克、无人机回传糊成一片，根源在于传统视频编码干的是「搬运」：把每一帧的像素尽量原样塞进码流。带宽够，细节就都在；带宽不够，细节就被砍掉，画面变成色块和涂抹感。最新的国际编码标准 H.266 已经把搬运效率逼到极限，但极限仍然是极限。近两年出现了另一条路线——生成式压缩：发送端只传一份极低码率的草图，接收端用生成大模型把细节补回来；头发丝、草地、布纹不用传，模型本来就知道它们长什么样。卡点是那一步「补」通常要跑几十步迭代去噪，解一帧要几秒，视频通话根本用不了；而且视频要分段生成，段与段的接缝处经常颜色一跳、人脸细节换了一套。
VoRTeC（arXiv:2609.02291）把这几件事一次拆掉。底座是开源视频生成大模型 Wan2.1 里那个 1.3B 参数的流匹配网络——流匹配可以理解成扩散模型的近亲，模型学一条从噪声到干净画面的路径；整个底座被完全冻结，不调一个参数。
第一步，发送端压的不是像素，而是模型的内部表示：视频先过 Wan2.1 自带的 3D VAE（把视频压成紧凑 latent 向量的编解码器，latent 即模型内部那份压缩表示），再用成熟的神经编码模块把 latent 压进码流。latent 体积比像素小得多，这一步本身就省码率。
第二步是全文最巧的一处。传到接收端的 latent 带着压缩损伤，相当于给干净 latent 撒了一层噪声。作者于是问：这份带损伤的 latent，等价于生成路径上哪一时刻的中间状态？他们推出一个闭式解，用损伤程度直接算出它「站在路径的百分之几处」，再让冻结的生成网络只走一步，把这份半成品直接推到终点。以前的生成式解码按固定步数反复去噪，现在是先判断「你有多脏」，再一步洗到位。论文的消融实验显示，把这个时刻固定成常数，感知质量会大幅下滑——这一步判断正是速度和质量能同时保住的原因。
第三步解决接缝：每一段解码完，把最后一张重建帧重新编码成 latent 存起来，当作下一段的上下文，而且这段上下文不再进码流，等于白赚一份跨段一致性——肉眼可见的效果是跨段的眼睛颜色、纹理不再跳变。
整体效果：与扩散类生成压缩方法相比，感知质量打平的前提下码率省约六到七成，解码快 3–197 倍，480p 每秒 32 帧、720p 约 13 帧，已经摸到实时；再加一枚小 LoRA（只训练一小片插入参数）还能再提一截，训练一张单卡就装得下。
往真实工作流看，弱网视频会议、无人机与运动相机的窄上行链路、相册云备份，都可能改成「传 latent 草图、收端重建」。更深一层：解码器本身就是一台生成模型，压缩、编辑、重打光开始共享同一个 latent 空间——码流不再是一堆死像素，而是一份能继续被模型操作的场景表示。
存疑处也要说清：重新生成的细节是「符合统计规律的」，不是「真实发生过的」，极低码率下文字、人脸、车牌被补错的风险，论文没有展开；底座的训练分辨率偏 480p，1080p 解码掉到每秒 4 帧以内，编码端比解码端更慢；省下的六到七成是对扩散类同行算的，对 H.266 的优势主要在低码率下的观感，不是全面碾压。生成式压缩这本账，最终要用感知与语义保真的尺子重新来算。