这篇论文有意思的地方，不是又把视频生成压快了一点，而是它把「画质」和「多样性」这对长期被当成跷跷板两端的东西，改成了两个不同的岗位。
先说卡在哪。视频扩散模型采样很贵：一段几秒的片子，网络要反复跑几十遍，每遍都要处理几十帧画面。真要上线（广告素材、电商短视频、手机一键成片），几十步不能接受，于是业界普遍做「蒸馏」：训一个学生模型，一两步走完老师几十步的路。
蒸馏有两条主流路线，用大白话讲就是学法不同。一条学老师怎么走（代表方法 sCM）：每一小步都尽量对上老师的方向。这种求稳取平均的学法把变化留住了——同一句提示词多跑几次，构图、镜头、风格确实不一样——但画面容易发虚发糊。另一条学老师走出来的结果（代表方法 DMD）：不管路径，只要求学生的输出落进老师的成品分布里。它锐利干净，但会一路往「最像的那一种」靠，于是同一句提示词生成十次，得到十个几乎一样的画面。
作者把它量了出来：同一提示词下多次生成，两种学生在特征空间的展开度差约 2.35 倍。对做内容的人，多样性塌缩比画质差半档更致命。以往的应对是把两种损失混在一起调权重，让同一套参数和两个偏好相反的目标谈判；论文的判断很直接：这种谈判能改善，但去不掉。
DUET 的转折是不在损失里调和，而是按噪声阶段分工：两步采样里，第一步从纯噪声出发，定的是构图、主体位置和运动；第二步在已成形的画面上收细节和质感。那就让「保多样」的专家做第一步，「出锐利」的做第二步，两位各用原本的目标独立训练，谁也不必妥协。
真正的麻烦在交接。第二步的专家训练时接的是自己走出来的中间画面，实战里接的却是另一位专家的输出，两者对不上。补法（论文称 DUET+）是把第一步专家的真实输出拿去重训第二步专家，同时用人类偏好打分做奖励，对第一步专家再做一轮强化学习微调。
结果照实读。在 Wan2.1-T2V-1.3B 上、严格两步：DMD 画质 84.38 而多样性只有 0.0727，sCM 多样性 0.1865 而画质 81.51。DUET 拿到多样性 0.1512、画质 83.96——多样性翻倍，画质仍略低于 DMD。真正站住的是 DUET+：画质 84.40 追平 DMD，多样性保持两倍。它在两个轴上都不输 DMD；但离 sCM 的展开度还差约两成，摘要里「几乎全部保留」偏乐观。
往下游看，这个分工思路能落到几处真实工作流：广告与电商素材批产，一句脚本要二十版备选，两步出片且不塌缩才有得挑；端侧一键成片和实时预览，只有两步的算力预算够塞进手机，而既然两位专家职责不同，第一步那位未必要同等规格；交互式世界模型和游戏内生成里，多样性就是「玩第二遍不一样」的前提。另外，少步蒸馏的榜单几乎只看画质，多样性塌缩不进榜，模型就会一直朝千篇一律优化。
存疑处有四条。一是两位专家都要驻留内存，参数量翻倍——算力和延迟与普通两步学生一致，但显存翻倍，恰好是端侧最紧的那项。二是只在 1.3B 骨干上验证，作者承认没上 14B。三是只测了严格两步，四步、八步时这套阶段分工还成不成立，论文没答。四是多样性指标只是代理（特征空间的平均成对距离），画面变糊、结构不稳也会把它抬高，所以 0.15 与 0.19 那点差距别读得太死；但 DMD 那个 0.07 的塌缩，在图上肉眼可见。