实时视频编辑不仅要快，还要在无法查看未来帧、视频总时长未知的情况下，持续保持原视频内容与长期时间一致性。JoyAI-Video-Edit将这一问题定义为低延迟、有限计算资源下的因果生成，并尝试让流式系统接近离线编辑模型的效果。

三项蒸馏与适配技术

JoyAI-Video-Edit是一个160亿参数的自回归扩散框架，采用分块式自回归适配、源锚定分布匹配蒸馏（SA-DMD）和长时域自回归蒸馏。三项技术共同针对流式编辑中的几个核心问题：缩小训练与推理之间的偏差，在两步生成过程中保留源视频特征，并缓解持续生成时逐步累积的时间漂移。

与依赖完整视频的处理方式不同，该框架不访问未来帧，也不要求预先设定视频时长，因此能够以开放时长持续生成。这里的“开放式”重点不是编辑指令范围的量化扩张，而是系统可以在未知终点的输入流上自回归运行。

速度与评测结果

论文称，完整系统可在单张 Nvidia B200 GPU 上，以约30 FPS进行端到端720p视频编辑。自动评测和人工评测显示，它明显优于已有流式编辑器，并在短视频和长视频上保持了与强离线系统有竞争力的表现。

不过，摘要没有提供具体基准、质量分数、延迟拆分、显存占用或对比模型名单，因此目前只能确认作者报告的总体趋势，不能进一步判断领先幅度及不同编辑任务下的稳定性。项目已提供代码，为后续复现留下了条件。

我的判断

这项工作的价值，在于同时处理实时速度、源内容保真和长时间漂移，而不是只展示短片段生成。对必须逐帧接收输入、无法预知视频长度的场景，它提供了一条较完整的自回归扩散路线。

边界也很明确：约30 FPS建立在单张B200和720p配置上，不能直接外推到普通消费级显卡或更高分辨率；摘要也未说明不同编辑强度下的质量变化。现阶段更适合把它视为高端硬件上的实时系统进展，而非已被充分验证的普适部署方案。