2.0 放出来了，路线没掉头，还是 3D 自编码器 + Flow Matching，把 1.2 的思路往深里做。我读下来改动集中在两处：
- 多桶训练。不同时长、不同分辨率的样本放进一次训练里一起喂，数据利用率上去了，也不用为每个分辨率单独开一版。
- 注意力换成 3D 全注意力。时空一起算，长程一致性理论上会好不少；代价是算力吃得更狠，序列一拉长，显存曲线相当难看。
指标我反倒没那么在意。这条技术路线终于有一份能读、能改的完整实现摆出来了，对我来说这才是这次开源最值钱的地方。
全注意力质量是好，可长序列显存是平方级涨，中小团队复现成本压不住