DreamX-Creator i zakład o natywne generowanie audio-wideo na pojedynczej GPU

Podczas gdy natywne generowanie treści multimedialnych wciąż wymaga potężnej infrastruktury — z modelami o otwartych wagach klasy LTX-2.3 o 22 miliardach parametrów czy MiniMax-H3 o 33 miliardach — 31 sierpnia 2026 roku na arXiv złożono pracę o DreamX-Creator (arXiv:2608.31106). Projekt, którego oficjalne repozytorium powstało 1 września i został udostępniony na licencji Apache 2.0, zestawia wspólny generator audio-wideo o 7 miliardach parametrów z autoregresyjnym modułem dopracowującym, który dokumentacja repozytorium określa na 5 miliardów. Wag nie ma w repozytorium git, są natomiast rozpowszechniane na Hugging Face — repozytorium wspomina też o przesłaniu na ModelScope — wraz z kodem inferencyjnym opublikowanym, według changelogu, 3 września 2026 roku. Architektura rozdziela przetwarzanie dźwięku i obrazu w pierwszej połowie sieci, po czym sprzęga je mechanizmami uwagi krzyżowej sterowanej bramkami. Autorzy określają system jako «najmniejszy model łączący wszystkie trzy właściwości»: swobodnie pobieralne wagi, natywne generowanie audio-wideo i obsługę rozdzielczości 2K.

Dane przedstawione w pracy wskazują, że wynik w 2K uzyskuje się dzięki procedurze destylacji, która redukuje przetwarzanie do jednej oceny odszumiania na blok czasowy. W testach benchmarku Verse-Bench przeprowadzonych przez samych autorów — wyniki zadeklarowane przez nich, na razie bez niezależnych powtórzeń — wersja bazowa o 7 miliardach notuje jakość wideo 0,6568 i wskaźnik desynchronizacji 0,1902, plasując się przed LTX-2.3 i MiniMax-H3. Model pozostaje jednak w tyle pod względem wierności dźwięku, z wynikiem jakości 6,3519 wobec 6,7169 i 7,0140 większych konkurentów, a także w metrykach preferencji treści. Sami autorzy otwarcie przyznają, że «wierność dźwięku i dopasowanie międzymodalne pozostają głównymi obszarami do poprawy».

Poza deklarowanymi metrykami analiza projektu ujawnia kilka brakujących szczegółów metodologicznych. Praca nie podaje podstawowych parametrów technicznych, takich jak maksymalna długość generowanych klipów, liczba klatek na sekundę czy rzeczywiste czasy obliczeń, i ogranicza się do przywołania benchmarku VBench bez podania jego wyników. Brakuje również wskazania dokładnych wymagań pamięciowych dla docelowego sprzętu. Niepewność dotyczy też możliwości weryfikacji i rzeczywistego zastosowania: oficjalna strona modelu na Hugging Face nie ma ani kompletnych metadanych, ani licznika pobrań, a system nie jest dostępny u zewnętrznych dostawców inferencji. Wreszcie przypisanie skrótu z repozytorium GitHub do grupy Amap nie znajduje na razie formalnego potwierdzenia na oficjalnych stronach firmy.

Sednem tego wydania pozostaje obsługa inferencji na pojedynczej GPU, jak deklaruje repozytorium. Wobec braku niezależnych powtórzeń wyników do zweryfikowania pozostają faktyczna liczba klatek na sekundę, maksymalna długość klipów i statystyki adopcji, natomiast zapowiedziana przez twórców mapa drogowa przewiduje wersje destylowane z mniejszą liczbą kroków próbkowania, by zmniejszyć opóźnienia. — Olya