可执行计划接到同一骨干：AMBIT 做原生 FOA 生成与编辑

空间音频创作需要把声源决策与声场合成对齐。AMBIT 将生成与编辑放进同一套原生一阶 Ambisonics（FOA）框架：可执行 ScenePlan 指定声源内容、活动与三维轨迹，共享 Transfusion 骨干把自回归规划与 rectified-flow 渲染接在一起。编辑时计划描述完整目标场景并列入保留声源；对比特征锚定所请求的改动，参考音频的完整 latent 补足需保留的残余声学细节。摘要称，在语音、音乐与声音评测中，生成内容与空间质量、指令编辑的声学保真以及未编辑声源保持，均优于所比较基线。下文只依据摘要，不外推未给出的分数与实现细节。

可执行计划如何同时服务生成与编辑

第一项贡献是可执行 ScenePlan 与共享骨干。计划规定源内容、活动与三维轨迹；一侧自回归产出计划，一侧按计划做 rectified-flow 渲染。编辑时计划写的是整场目标，保留源必须列入，避免只改局部却丢掉其余声源。对比特征落地「改什么」，完整参考 latent 负责其余声学如何保留。摘要将这套接口同时用于原生生成与指令引导编辑，而不是两套分离系统。

FOA 感知表示与联合在策略自蒸馏

第二项是面向 FOA 的连续 VAE：共享解码器做全向恢复，配合非对称分组 KL 与空间协方差匹配，意图同时保住内容与通道间结构。第三项是联合 Transfusion 在策略自蒸馏（OPSD）：规划在学生生成前缀上 refinement，渲染在学生计划到达的采样状态上 refinement，目标条件化教师同时监督共享学生的两种模式。摘要未报告参数量、数据规模或分项分数，只陈述三项合在一起后相对基线有提升。

我的判断

AMBIT 的价值在于把可执行计划做成生成与编辑的共同接口：改什么、留什么、声源如何运动，先写入 ScenePlan，再由同一骨干渲染 FOA。对改轨迹或改单源、又希望其余声场尽量不动的作者任务，这比纯提示更可操作。边界同样清楚：材料只覆盖 FOA，评测是语音、音乐与声音，未说明高阶 Ambisonics、实时性或可核对的基准数字。VAE 与 OPSD 各自贡献及失败模式，摘要无法回答。在读到全文实验前，宜视为一条把场景计划写进 FOA 链路的研究路线，而非可替换现有制作工具的结论。