2.0 放出来了，架构没掉头，还是 3D 自编码器加 Flow Matching 那一套，把 1.2 的思路继续往深里做。变化集中在两处。一是多桶训练，不同时长、不同分辨率的样本能在一次训练里一起喂，数据利用率上去了，也不用为每个分辨率单独开一版；二是注意力换成 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，序列一长显存曲线相当难看。
对我来说开源这件事本身比那些指标重要，这条技术路线现在总算有一份能读、能改的完整实现摆在这儿。
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