开篇导读

短视频 talking avatar 可以先拿到完整音频和完整条件，再用多步 diffusion 慢慢去噪。实时长视频不允许这样做：已经输出的帧不能回头重画，未来语音也只能提前看很短一段，推理成本还必须接近常数。AvatarForcing 的切入点就是在这个约束下重新安排 diffusion 的生成顺序。

teaser 把三种路线放在一起。严格 autoregressive forcing 可以流式输出，但它每一步都把自己的输出当成后续条件，小错误容易变成长期漂移。Full-sequence DiT 能用双向 attention 看完整视频，所以更稳，但算力和延迟随序列长度变大，不适合实时长流。AvatarForcing 夹在二者之间：它不看完整未来，只看一个固定大小的 local-future window，并且每步只发出最左边已经足够干净的 block。

Abstract

摘要一开始就把任务目标压得很紧：real-time talking avatar 既要 low latency，又要 minute-level temporal stability。这里的“稳定”不是单帧好看，而是长时间生成后身份、颜色、表情风格、头部姿态和口型都不能慢慢偏掉。也就是说，本文评价的核心不是普通短片质量，而是长 rollout 中错误是否会累积。

AR forcing 看起来很适合这个任务，因为它能顺序生成，当前帧出来后马上交给用户；真正麻烦的是 exposure bias。这个概念可以理解为训练和推理看到的历史不一样：训练时历史更干净，推理时历史里混着模型自己早先犯过的错。因为视频帧一旦发出就不可逆，肤色、脸型、姿态或口型的小偏差会被后续帧继承，长时间后就变成漂移和闪烁。

full-sequence diffusion transformer 处在另一端。它能缓解漂移，是因为每次 denoising 可以在完整序列上做双向 attention，让前后帧互相约束。但这条路线要处理所有帧，视频越长，attention 和显存成本越高；对实时 long-form synthesis 来说，它不是模型能力不够，而是系统预算不允许。

AvatarForcing 的核心动作是维护一个固定 local-future window：窗口里不同 block 有不同噪声级别，每一步对整个窗口联合去噪，然后只发出一个 clean block。这里的 heterogeneous noise levels 很重要：左边 block 更接近 clean，适合输出；右边 block 更 noisy，但仍能提供未来运动和结构的大致线索。这样做让每一步的计算只依赖固定窗口，不随视频总长度增长。

长流稳定性靠 dual anchor 继续补上。style anchor 通过 RoPE re-indexing 保持 reference frame 和当前窗口的固定相对位置，避免参考图在长视频里变成“远古帧”；anchor-audio zero-padding 让这个参考只提供外观，不携带旧语音；temporal anchor 则复用最近已经输出的 clean blocks，让窗口边界处的运动更连续。

one-step inference 也不是直接把 teacher 压成一步就完事，而是 two-stage streaming distillation。offline ODE backfill 先给 student 一个从中间噪声回到 clean endpoint 的初始化，distribution matching 再让 student 在自己的 rolling-window 分布上被校正。实验报告 1.3B student 达到 34 ms/frame，并在标准 benchmark 和 400-video long-form benchmark 上保持视觉质量和唇形同步。这个数字说明 steady-state compute 很快，但不能替代端到端延迟分析。

Introduction

Introduction 从应用场景进入：talking-avatar video synthesis 是 digital human 里的核心问题，用在虚拟沟通、内容创作和 embodied AI。作者随即列出近年的进展来源，audio-conditioned DiT、text-conditioned video model、portrait input 都让短片的 fidelity 和 controllability 变好了。这里不是泛泛说已有方法强，而是在铺垫一个转折：短片质量提高，不等于能做 real-time long-form streaming。

本文把任务重新定义为系统约束：每帧延迟要接近常数，视频持续数分钟后 appearance 仍要稳定，不能出现 identity drift 或 color drift。作者把“分钟级稳定”放在和“实时”同等重要的位置，因为 talking avatar 一旦进入交互或直播场景，最破坏体验的往往不是某一帧不够锐，而是越说越不像同一个人。

这种要求马上暴露出 DiT attention 的矛盾。Full-sequence bidirectional attention 每个 denoising step 都处理所有帧，因此短视频可以用全局上下文换稳定性，长流时却无法维持 constant-latency streaming。很多 diffusion pipeline 还假设 control signals 预先可得，这对于边说边生成的交互式输入也不合适。换句话说，它们的默认问题设定和真实 streaming 不一致。

autoregressive denoising 解决了实时输出，却牺牲了纠错空间。AR 通过 causal conditioning 逐帧预测，所以支持 streaming；但是 strict causality 带来 exposure bias：发出的帧被固定成历史，后面不能修改。几千步以后，早期一个很小的表情、颜色或运动偏差都可能被不断放大。self-forcing 和 teacher-guided forcing 之类训练方法能缩小 train-test gap，但推理时仍然严格因果，没有可靠 look-ahead，也没有长期 identity re-anchor 机制。

AvatarForcing 先在保持常数延迟的前提下引入 bounded look-ahead。它不再只对一个当前 block 做因果去噪，而是维护一个固定长度的 latent block window，窗口内不同 block 处在不同噪声级别。每一步对整个窗口做一次 joint denoising，发出左侧 block，窗口左移，再在右侧追加 fresh noise。

这套动作对长 rollout 有双重作用：当前 generation frontier 能看到一小段未来，虽然未来 block 仍是 noisy latent，但其中已经带有粗运动和结构信息；同一个 block 从右侧进入窗口到左侧发出，会被反复访问和修正，而不是一次预测后立刻提交给历史。它保留了 streaming emission，又让当前帧在发出前经历局部联合修正。

这个机制可以抽象成预算分配问题。作者定义 $\mathcal{B}_{L,N}$：$L$ 是窗口里的 block 数，$N$ 是每个 streaming step 的 joint denoising pass 数。forcing-style causal methods 接近 $L=1$，靠更大的 $N$ 做 refinement；AvatarForcing 选择 $N=1$，把预算更多放到 $L$，也就是给模型一点固定长度的未来线索。

这里的判断很关键：在相同 $L\cdot N$ 计算预算下，扩大窗口往往比在短上下文里重复去噪更能改善 long-horizon stability。原因不是 noisy future 已经给出了答案，而是它减少了当前 frontier 的不确定性，比如未来头部运动方向、嘴部开合趋势和局部结构连续性。后面的 L vs N 消融就是为这句话提供证据。

bounded look-ahead 仍然不够。窗口长度固定，帧一旦离开窗口仍然不可修改，所以分钟级身份和颜色漂移还会出现。作者因此加入 dual-anchor KV cache。KV cache 是 Transformer attention 里的 key/value 缓存，这里不是为了无限记住所有历史，而是保存两个有限但关键的锚点：一个长期 style anchor，一个短期 temporal anchor。

style anchor 保存 reference frame 作为外观和身份提示。它的难点在 RoPE 上：RoPE 通过旋转相位编码位置，如果 reference frame 永远处在序列起点，当前窗口时间 index 越来越大，二者的相对相位会越来越远，attention 中的参考关系会变弱。RoPE re-indexing 的做法是把 style anchor 的 key 存在 pre-RoPE space，每一步用当前窗口附近的虚拟位置重新施加 RoPE，让 reference 像一直贴在当前窗口前方。temporal anchor 则缓存最近输出的 clean blocks，用来保持头部运动、嘴部轨迹和窗口边界的连续性。

audio 条件还需要避免污染 anchor。per-frame audio tokens 要和 active window 对齐，因为当前口型应该由当前语音决定；早期 reference frame 只应提供身份和外观。因此 anchor frames 的 audio features 被置零，避免旧语音内容通过 anchor pathway 影响当前嘴部运动。

one-step student 的训练则依赖 global bidirectional teacher 和两阶段蒸馏。offline ODE backfill 记录 teacher trajectory，用 audio-conditioned ODE regression 学会从中间噪声一步预测 clean endpoint；DMD-based distribution matching 再在 rolling-window student simulations 上训练，让 student 看到真实推理时会遇到的 heterogeneous-noise windows 和 KV cache。这里真正解决的是分布错位：如果 student 只在离线干净设置中训练，放进滑窗长流以后仍会漂。

评价范围也围绕这套机制展开。论文评估 diverse benchmarks，并引入 400-video long-form benchmark，同时报告短片质量指标和长程稳定指标。四条贡献对应前面的四个逻辑点：$\mathcal{B}_{L,N}$ 的 one-step local-future denoising、dual-anchor KV cache、two-stage distillation，以及 1.3B student 在 34 ms/frame 下的 long-form 实验结果。

Related Work

Related Work 先把 AvatarForcing 放进 diffusion avatar 的脉络。作者承认近期 diffusion-based 方法在 short-form digital human synthesis 上视觉质量很强，但指出 fixed-window bidirectional attention 很难直接变成 constant-latency streaming，也很难保证 minute-scale stability。这里的差别在于：固定窗口能处理有限长度片段，却不自然支持无限时间轴上的持续输出。

StreamAvatar 研究实时交互式 conversational avatars，说明实时性已经是相关方向；AvatarForcing 的定位则更具体：它不是只做系统加速，而是 one-step streaming talking-avatar synthesis，通过 bounded local-future window 和 dual-anchor stabilization 同时处理速度和长流稳定。frame packing 与 overlapping-window inference 能扩大有效 horizon 或提高效率，但如果没有显式 stabilization，unbounded streaming 仍然容易丢身份或颜色。

autoregressive video generation 提供了另一条长程生成路线。AR 方法把固定窗口 diffusion 扩展到长程生成，方式是 causal conditioning 下逐段输出。它的优点和前文一致：适合 streaming。作者随后提到 hybrid schemes、inference-aware training、teacher feedback、Causal Forcing 等路线，它们都在试图减少 rollout mismatch 或改善 causal distillation。

这些方法的共同边界是仍然 strictly causal。严格因果不是错误选择，而是它限制了 look-ahead，并允许 residual errors 在长 rollout 中积累。AvatarForcing 的差异就是放松严格因果，只在固定窗口内允许 bounded look-ahead，同时用 dual-anchor KV cache 稳住长期身份和短期动态。

效率和一致性增强工作进一步说明 streaming diffusion 的工程空间。FIFO-Diffusion 用 FIFO queue 做 diagonal denoising 以获得常数内存，StreamDiT 用 sliding windows 和 recurrent KV cache 避免 full-sequence attention，LiveAvatar 用 timestep-forcing pipeline parallelism 把多步去噪分到多 GPU 上，LongLive 复用 buffered latents 提高短期连续性。这些工作证明 streaming-aware inference 和 memory-efficient diffusion 是可行方向。

作者最后指出仍然开放的挑战是 persistent appearance anchoring 和 frame-synchronous conditioning under bounded context。前半句对应 reference identity 在长流中的持续存在，后半句对应音频条件必须和当前窗口逐帧对齐。这个收束方式把 AvatarForcing 和单纯“跑得更快”的方法区分开：它关心的是固定上下文里如何不忘人、不忘动作、不串语音。

Method

方法部分先把输入和目标重新落到系统形态上：给 reference image，以及 audio/text 等 control signals，生成 long-horizon audio-driven talking-avatar video。目标同时包含 real-time latency、stable identity 和 temporally consistent motion。随后作者把方法压成三根支柱：local-future window joint denoising、dual-anchor KV caching、two-stage streaming distillation。

为了让滑窗机制可计算，论文把 $B$ 个连续 latent frames 合成一个 block，默认 $B=4$，这也是 KV cache 的粒度。窗口有 $L$ 个 block，每个 streaming step 对这个窗口做 $N$ 次 joint denoising，发出一个 clean block。因此一个 block 在发出前大约经历 $L\cdot N$ 次更新。这里的 one-step 指的是 $N=1$，也就是每个 streaming step 只有一次 joint denoising pass；它不意味着每个 block 从出生到发出只被处理一次。

Rolling-window sequential denoising 先批评传统单帧因果去噪。因果方式高效，但默认“局部最优帧连续起来仍然全局一致”。实践上这个假设很脆弱，appearance、geometry、motion 的小错误一旦提交成历史，就无法修正。AvatarForcing 要保留 streaming emission，同时让 generation frontier 附近能做 bounded joint refinement。

具体地，在 streaming step $i$，窗口写成：

每个 block $\mathbf{x}_k \in \mathbb{R}^{B\times C\times H\times W}$，噪声级别满足 $t_1<\cdots

这形成了一个 graded refinement band：左边 block 做细修，准备输出；右边 block 仍然粗糙，但可以承担更大结构更新。这样的设计把未来信息压缩成短窗口里的 noisy latents，既没有 full-sequence DiT 那样看完整未来，也比严格 AR 多了一点前方线索。

local-future guidance 的关键在窗口内 bidirectional self-attention。当前要发出的 block 可以 attend 到整个 $L$-block buffer，包括还没有 clean 的未来 block。look-ahead 被严格限制在 $(L-1)$ 个 blocks，因此系统成本不随总时长增长。对默认 $L=4,B=4,25$ FPS 来说，算法上需要 $(4-1)\times4=12$ 帧未来音频，也就是约 0.48 秒 audio look-ahead。

作者接着解释为什么 noisy-future correction 比 repeated sampling 更有效。在固定延迟预算下，增加 $N$ 只是对同一短窗口反复 refine，不会增加可用于消歧的上下文；如果模型已经受到因果历史偏差影响，重复 refine 还可能把系统性偏差变得更平滑。增加 $L$ 则不同，它把未来 block 的粗运动和结构趋势引进来，可以在当前 block 发出前减少边界不连续和姿态不确定性。

student forward 公式把实际输入列全了：

模型同时看窗口 latent、每个 block 的 timestep、历史 KV，以及窗口对齐的 audio embedding。输出是整个窗口的 clean prediction $\widehat{X}^{i}_0$，但真正发给用户的只有左侧 $\widehat{\mathbf{x}}_{i,0}$。窗口里的其他 block 会继续留下来，下一步再被更新。

论文随后写出窗口更新：发出左侧 block 后，下一窗口包含上一轮剩余的预测 block，再在右侧追加 fresh noise $\mathbf{x}_{i+L}^{t_L}\sim\mathcal{N}(0,I)$。这说明 AvatarForcing 的“流式”不是每次独立生成新片段，而是让片段在窗口里逐步移动、逐步变干净，直到到达最左侧才提交。

算法伪代码把在线流程排成循环：初始化窗口和 KV；计算 window audio features，把 anchor audio 设为零；重新索引 style-anchor RoPE 并组装 attention keys；运行 $N$ 次 denoising；发出左侧 block 并更新 temporal KV；滑动窗口并追加 fresh noise。读伪代码时要注意，style anchor、temporal cache、current window 共同组成 attention 上下文，而不是只有滑窗本身。

Dual-anchor KV caching 部分先承认 rolling window 的边界：它只能覆盖短范围，帧离开窗口后无法重访，所以 identity、color tone、expression style 仍可能慢慢漂。为此作者把 attention keys 组装成 `[style anchor | temporal cache | current window]`。temporal cache 长度有固定 token budget，所以 per-step compute 仍然保持常数。

temporal anchor 的作用很直接：发出 clean block 后，把对应 KV states 写入 rolling cache，只保留最近的 clean tokens。它稳定的是短期动态，比如头部运动、嘴部轨迹和窗口滑动时的边界 flicker。它不是长期身份记忆，因为缓存预算有限，旧内容会被替换。

style anchor 处理的是另一件事：reference frame 要长期作为身份和外观提示。论文把 keys 缓存在 pre-RoPE space，每一步用当前上下文首个非 anchor frame 的 index $u_i$ 加固定偏移 $d$ 重新应用 RoPE，默认 $d=-1$：

这句话背后的含义是：reference frame 不再被当成时间轴起点附近的老帧，而是每一步都被放在当前窗口前方的虚拟位置。这样做避免了随着 $u_i$ 增长产生的 RoPE phase mismatch，也让 style anchor 更像外观参考，而不是历史片段。

audio injection 的设计重点是避免连续音频在 sliding windows 和 non-consecutive visual frames 之间串扰，否则容易表现为 lip jitter 或 phoneme misalignment。作者没有新增复杂 cross-attention，而是用 pretrained streaming speech encoder 得到 per-frame embedding $a_t$，再投影到模型维度，加到 latent patch tokens 上：

anchor-audio zero padding 在这里非常关键。早期 anchor frame 被反复使用，如果它携带原来的语音特征，就可能把旧 speech content 注入当前窗口，导致嘴部运动被错误语音牵引。把 anchor audio features 设为零后，anchor 只负责视觉身份，当前窗口的 per-frame audio 才负责实际口型控制。

Distribution-matching post-training 解释 student 如何适应真实推理分布。给定 rolling-window simulation 产生的 student prediction $\widehat{x}_0$，训练过程采样 timestep $t$，加噪得到 $x_t$，用 frozen teacher score 和 trainable critic 估计 KL gradient $g(x_t,t)$，再用 DMD loss 更新 generator：

这里的重点不是让读者记公式，而是理解训练分布。offline ODE backfill 提供 one-step denoising 初始化，DMD 在 student 自己的 rolling-window rollout 上做分布匹配。这样 student 训练时就会遇到 heterogeneous-noise windows、KV caching 和滑窗状态，而不是只在完整离线序列里学一个理想映射。

Experiments

实验设置先交代训练数据、teacher 和评测范围。训练使用 AVSpeech 和 extended EMO corpus，约 500 小时 paired audio-video data，覆盖不同说话人、情绪表达和录制条件。teacher 是从 WanS2V 初始化的 bidirectional audio-video diffusion teacher，用来提供 distribution-matching targets。这里能确定的是论文给出的数据规模和来源名称；extended EMO 的具体构成、清洗、授权和 split 没在正文完整展开。

为了评估 streaming generation，作者构建了 nearly 400 videos 的 long-form benchmark，视频长度从 40 秒到 2 分钟，并同时报告 CelebV-HQ 这个标准高分辨率 benchmark。这个设置对应全文主旨：短片指标只能说明普通生成质量，长视频 benchmark 才能暴露 identity drift、color drift、lip sync 退化和 flicker。

指标也分成几类。FID 和 FVD 衡量图像/视频分布质量；CSIM 衡量 identity preservation；Sync-C/Sync-D 衡量 audio-visual alignment；$\Delta E_{2000}$ 用来看颜色漂移，Adj-LPIPS 用 adjacent frames 的感知距离看 flicker。读这些指标时不能只看单一数值，因为 CSIM 依赖人脸 embedding，Sync 指标依赖同步模型，FID/FVD 也受裁剪和分布影响；更可靠的是看多个指标是否指向同一个结论。

系统设置给出复现实验的主要骨架：pretrained 1.3B video diffusion backbone，默认 $B=4$ frames/block，$\mathcal{B}_{4,1}$，25 FPS，VAE latent spatial resolution 对应 $832\times480$。训练阶段生成 16,000 teacher ODE trajectory pairs，先做 4,800 steps ODE regression pre-training，再做 2,500 steps DMD post-training。音频由 Wav2Vec 编码成 per-frame embeddings，并按窗口对齐后用轻量 additive modulation 注入。

State-of-the-art 比较覆盖 EchoMimic、Hallo3、HunyuanAvatar、FantasyTalking、OmniAvatar、MultiTalk、StableAvatar、LiveAvatar 和 WanS2V。作者说明 baseline 使用官方实现和推荐设置。主表中 AvatarForcing 在 long-form videos 上的 FID、FVD、CSIM、Sync-C 和 latency 都很强，Sync-D 略逊于 LiveAvatar，但 LiveAvatar 的延迟来自 5 GPUs pipeline，而 AvatarForcing 报告的是 single GPU、batch size 1、bfloat16 的 steady-state timing。

延迟协议单独列出来，是因为 34 ms/frame 容易被误读。论文定义的 steady-state latency 包括 streaming audio encoding、one DiT forward、KV cache update 和 VAE decoding，不包括模型初始化、数据加载、磁盘 I/O 和视频后处理。默认配置下它是 0.034 s/frame。端到端 audio-to-visual delay 还要加上 bounded local-future denoising 所需的 audio look-ahead：$(L-1)B/25=0.48$ 秒，论文报告默认 end-to-end delay 为 0.51 秒。

Ablation Studies 先隔离 $L$ 和 $N$。实验固定 dual-anchor KV cache、audio alignment 和 block size，只改变 bounded look-ahead 与 per-step refinement 的分配。$L=1$ 时没有 local-future look-ahead，变成 strictly causal block-level update；$N$ 增大则是在同一窗口上重复 denoising。

最关键的读法是 matched budget。$\mathcal{B}_{4,1}$ 与 $\mathcal{B}_{2,2}$ 都有 $L\cdot N=4$，延迟也相近，但前者 CSIM 0.90、Adj-LPIPS 1.06e-2、latency 34.14 ms，后者 CSIM 0.83、Adj-LPIPS 2.25e-2、latency 33.19 ms。这支持作者的核心判断：在 long-form avatar 里，引入有限未来上下文通常比在短上下文中反复 refine 更有效。与此同时，$L=8$ 或更大的 $L\cdot N$ 会显著增加延迟，并可能出现 over-smooth motion，所以默认 $\mathcal{B}_{4,1}$ 是折中，不是窗口越大越好。

Teacher/student 与 dual-anchor 消融关注长流稳定来源。Teacher 很强但 16 s/frame，无法实时；distilled student 更快但仍不够稳定；AvatarForcing 在 0.034 s/frame 下把 CSIM、$\Delta E_{2000}$ 和 Adj-LPIPS 拉到更好的长流区间。去掉 style anchor 后 CSIM 明显下降，说明 reference identity 不能只靠短窗口维持；去掉 temporal anchor 后 last-window CSIM 也下降，说明最近运动轨迹对后段稳定很重要。

One-step streaming baselines 用来排除一个误解：AvatarForcing 的收益不是来自“one-step”这个词本身。作者把 Self-Forcing 和 Causal ODE 改成 strictly causal one-step baselines。Self-Forcing (1-step) 的 CSIM 是 0.40/0.07，Causal ODE 是 0.58/0.32，而 AvatarForcing 是 0.90/0.86。这个差距说明，如果没有 local-future、dual anchor 和 rolling-window distribution matching，单纯一步化会带来严重 drift 或 blur。

最后的 additional ablations 针对 style anchor 的两个细节。没有 anchor-audio zero padding 时，style anchor 会接收不对齐的 speech dynamics，嘴部区域容易抖动或出现局部 artifact。没有 RoPE re-indexing 时，style anchor 随着 stream 变长在绝对时间上越来越远，phase mismatch 让 identity anchoring 变弱，表现为模糊、颜色漂移和身份退化。量化表里 w/o RoPE re-indexing 的 FVD 从 737.92 恶化到 1382.63，CSIM 从 0.90/0.86 降到 0.67/0.49，Sync-D 从 9.26 恶化到 19.23，这几乎是全篇最有力的设计证据之一。

Conclusion

Conclusion 回到总目标：AvatarForcing 是 real-time、long-form talking-avatar synthesis 的 one-step streaming diffusion framework，重点是 temporal consistency 和 accurate audio synchronization。它不是把 diffusion 全局生成问题简单压缩成一步，而是把一步推理放在固定 local-future window 里。

$\mathcal{B}_{L,N}$ 的作用在于让 sliding-window joint denoising 反复精修每个 block，再发出最左侧结果。bounded window 之外，系统还需要 dual-anchor KV cache：style anchor 用 RoPE re-indexing 稳定身份，temporal anchor 稳定过渡。audio 侧的边界也很清楚：per-frame audio 对齐 active window，anchor-audio zeroing 防止跨窗口干扰。

训练闭环由 two-stage distillation 完成：global bidirectional teacher 提供监督，distribution matching 支持 34 ms/frame inference。作者也保留了方法边界：larger windows 能减少 drift 但增加 latency，极长生成在 bounded context 不足时仍可能退化。未来工作会研究 stronger long-range memory 和 improved motion preservation。这说明 AvatarForcing 不是无限长视频的彻底解决方案，它仍是固定上下文和实时预算下的折中。

总结

一句话总结：AvatarForcing 把实时 talking avatar 的难点从“能不能一步生成”改写成“能不能在固定延迟里看见一点未来、记住身份，并把 student 训练到真实 rolling-window 分布”。

一句话评价：这篇论文的机制组合很清楚，long-form 证据也比较集中；但它仍依赖未完全公开的数据、benchmark 和训练细节，适合作为强工程路线参考，而不是完整闭合的复现实验包。

AvatarForcing 最有价值的地方是把实时长流 talking avatar 的问题拆成了清楚的机制组合：local-future window 解决严格因果缺少未来线索的问题，dual-anchor KV cache 解决窗口外身份和短期运动记忆的问题，two-stage distillation 解决 one-step student 与真实 rolling-window 推理分布不一致的问题。

$\mathcal{B}_{L,N}$ 是全文最值得带走的视角。它把“多跑几步”和“看远一点”放进同一个预算里比较，并用消融说明，在 long-form avatar 场景下，有限未来上下文往往比短窗口重复 refinement 更有用。但这个收益不是免费的：默认设置仍需要约 0.48 秒 audio look-ahead，窗口继续增大会推高延迟，甚至带来过平滑或运动冻结。

工程上可以把这篇论文看成一个 streaming diffusion 设计模板：不要只追求 one-step，要同时设计窗口、anchor、音频对齐和 rollout 分布训练。需要保留的边界也很明确：论文没有完整公开 extended EMO corpus 细节、long-form benchmark 列表、teacher/critic 全部训练 recipe 和完整评测脚本，因此公开推理能跑通并不等于主表可以完全复现。

概念补充与参考阅读

下面这些概念不是为了单独背术语，而是帮助读 AvatarForcing 时少卡壳：它们分别对应长流漂移、一步蒸馏、位置编码、attention 记忆、音频特征和评测指标。