DreamX-Creator und die Wette auf native Audio-Video-Generierung mit einer einzigen GPU

Während die native Erzeugung multimedialer Inhalte weiterhin gewaltige Infrastruktur verlangt — mit Open-Weight-Modellen der Klasse LTX-2.3 mit 22 Milliarden oder MiniMax-H3 mit 33 Milliarden Parametern —, wurde am 31. August 2026 eine Arbeit zu DreamX-Creator auf arXiv eingereicht (arXiv:2608.31106). Das Projekt, dessen offizielles Repository am 1. September angelegt und unter der Apache-2.0-Lizenz veröffentlicht wurde, stellt einem gemeinsamen Audio-Video-Generator mit 7 Milliarden Parametern ein autoregressives Verfeinerungsmodul zur Seite, das die Dokumentation des Repositorys mit 5 Milliarden angibt. Die Gewichte liegen nicht im Git-Repository, werden aber über Hugging Face verteilt — das Repository verweist zudem auf einen Upload bei ModelScope —, zusammen mit dem Inferenzcode, der laut Changelog am 3. September 2026 veröffentlicht wurde. Die Architektur trennt die Verarbeitung von Audio und Video in der ersten Hälfte des Netzes und koppelt sie anschließend über gattergesteuerte Cross-Attention. Die Autoren bezeichnen das System als «das kleinste Modell, das alle drei Eigenschaften vereint»: frei herunterladbare Gewichte, native Audio-Video-Generierung und Unterstützung für 2K-Auflösung.

Die in der Arbeit vorgelegten Daten zeigen, dass die 2K-Ausgabe über ein Distillationsverfahren erreicht wird, das die Verarbeitung auf eine einzige Denoising-Auswertung pro Zeitblock reduziert. In den von den Autoren selbst durchgeführten Verse-Bench-Tests — selbst berichtete Werte, bislang ohne unabhängige Reproduktionen — erreicht die Basisversion mit 7 Milliarden Parametern eine Videoqualität von 0,6568 und einen Desynchronisationsindex von 0,1902 und liegt damit vor LTX-2.3 und MiniMax-H3. Bei der Audiotreue fällt das Modell dagegen zurück: 6,3519 Qualitätspunkte gegenüber 6,7169 und 7,0140 der größeren Alternativen, ebenso bei den Metriken zur inhaltlichen Präferenz. Die Autoren räumen selbst offen ein, dass «Audiotreue und cross-modale Ausrichtung die wichtigsten Verbesserungsfelder bleiben».

Jenseits der angegebenen Kennzahlen zeigt die Analyse des Projekts mehrere fehlende methodische Angaben. Die Arbeit nennt grundlegende technische Parameter nicht — weder die maximale Länge der erzeugten Clips noch Bilder pro Sekunde oder tatsächliche Rechenzeiten — und zitiert den VBench-Benchmark, ohne dessen Ergebnisse anzuführen. Auch die genauen Speicheranforderungen der Zielhardware fehlen. Nachvollziehbarkeit und tatsächliche Verbreitung sind ebenfalls unsicher: Die offizielle Modellseite auf Hugging Face weist weder vollständige Metadaten noch einen Download-Zähler auf, und über Drittanbieter für Inferenz ist das System nicht verfügbar. Schließlich findet die Zuordnung des Kürzels im GitHub-Repository zum Unternehmensverbund Amap derzeit keine formale Bestätigung auf den offiziellen Seiten des Konzerns.

Kernstück der Veröffentlichung bleibt die vom Repository erklärte Unterstützung für Inferenz auf einer einzigen GPU. Solange unabhängige Reproduktionen der Werte fehlen, sind die tatsächlichen Bilder pro Sekunde, die maximale Cliplänge und die Verbreitungszahlen offen; die von den Entwicklern angekündigte Roadmap sieht destillierte Versionen mit weniger Sampling-Schritten vor, um die Latenz zu senken. — Olya