---
title: "蚂蚁研究院发布Duo：会边说边听的世界模型，权重尚未到位"
date: 2026-11-20
category: AI大模型
site: 脑机网
canonical: https://aiai.cafe/a/njw-e890a6
language: zh-CN
---

# 蚂蚁研究院发布Duo：会边说边听的世界模型，权重尚未到位

> 视频通话里，一个人伸手到画面外接过水杯并举起来。屏幕上那个身影——不是人，而是生成的角色——看着那只手，等了一下，然后接过杯子喝了一口。没有人点击，也没有人输入提示词。

视频通话里，一个人伸手到画面外接过水杯并举起来。屏幕上那个身影——不是人，而是生成的角色——看着那只手，等了一下，然后接过杯子喝了一口。没有人点击，也没有人输入提示词。

这幕像派对小把戏。团队却说，它论证的是计算机要与你共享空间必须先理解什么。

## 发布了什么，没发布什么
2026年11月11日，一份题为《Duo：面向全双工交互的互惠世界模型》的技术报告出现在arXiv上。项目页面把它归到蚂蚁研究院与西湖心辰（Scietrain）名下，后者是杭州的一家模型公司。论文列出20位作者，包括Zhenzhong Lan。

项目页面把报告标为可获取，列出一个魔搭（ModelScope）合集，却把GitHub代码和Hugging Face模型链接都标为"coming soon"。一些二手报道把这次发布说成包含开源权重和训练代码，项目自己的页面并不支持这种说法。写作时真正能下载的，是论文和演示材料，不是模型。

公开的方法可以被研究和批评，放出的权重可以被运行和测试。Duo v1属于前者。

## 支撑论点的拆分
论文的核心主张是结构性的：多数世界模型模拟物理现实——光、材质、运动——把推理当成外挂控制器。作者说这是错误的；他们提出的互惠世界模型（RWM）把智能与物理现实视为构成"世界"的同等根本的东西。

为此，Duo v1把系统拆成两个协作部分：

- 意图（Intent）提供交互背后的认知：什么时候说，什么时候听，要不要行动。
- 实现（Realization）生成对方真正看到和听到的、连贯的视听行为——声音、面部、动作。
两者不是先后步骤。论文用按块设定的条件、统一时间线上的同步token和模块专属注意力掩码，在块内和块间强制因果依赖，防止系统读到未来输入——这个角色没法靠偷看你接下来要说什么来作弊。

第三个设计针对分布漂移——自己生成训练历史的模型会慢慢偏离真实历史。双重展开蒸馏用自回归生成的意图token和由实现模块合成的视听历史来训练，修补跑上一阵后才出现的失效。

## 为什么"全双工"是有用的词
全双工是从通信里借来的术语：双方可以同时发送。用在一个生成的角色上，意味着系统持续感知音频、视频和文本，同时实时回应。它可以被打断，可以决定保持沉默，也可以注意到你捡起了什么东西。

和等消息再回答的聊天机器人不同，论文列出的场景不止对话：分享真实物体、重塑虚拟场景、引导助手，或不用鼠标键盘玩视听游戏。递水杯、角色喝掉它的演示，想展示的是感知、决策、行动的闭环，而不是画面质量。

对中国大模型行业来说，时间点耐人寻味：2026年大半年的发布都在比基准分数、上下文长度和价格，Duo v1却问系统能不能在实时互动中撑住，而不需要人类一步步委托。

## 诚实的疑问
有几条理由提醒不要过度解读。arXiv摘要没有任何定量性能主张，我无法核实中文科技报道里的通过率数字——无法追溯回论文或开放模型的数字，不该被当成事实。代码和模型真正可获取之前，能测试主张的只有作者，关键问题仍悬着：它在实验室之外站得住吗？

成本、延迟和硬件要求都没有说明，论文也没给出稳定会话时长。演示环境也不是真实世界：受控环境里的生成角色，离能在医院、教室或车里被信任的助手还很远，论文自己称之为第一步。

## 关键要点

- Duo v1是蚂蚁研究院与西湖心辰的互惠世界模型，见2026年11月11日提交arXiv的论文。
- 它把决定如何参与的意图，与生成同步音视频的实现分开。
- 设计瞄准全双工交互：持续感知、自发说话、可以被打断。
- 技术报告与演示材料公开，项目页面上的GitHub代码和Hugging Face模型仍标为"coming soon"。
- 尚未公布独立基准、推理成本或硬件要求。

## 诚实的局限
我读的是arXiv摘要和官方项目页面，不是论文实验部分，超出来源的评估结果有意省略。中文媒体报道的通过率数字无法追溯到一手来源，我没有采用。

有一处差异值得指出：部分中文报道把权重、代码和报告都说成已发布，项目页面却把代码和模型标为"coming soon"，我以项目页面为准。项目页面给出的归属是蚂蚁研究院与西湖心辰（Scietrain），我读到的摘要里作者名单没有写明机构。

这篇稿没有金额，不涉及汇率换算；本文解释研究方向，不是演示之外可靠性的证据，我没有测试过这个系统。

## 普通人现在能做什么

- 先看论文再看标题。没有可下载权重的模型，方法描述是唯一能核实的。
- 盯发布链接，而不是发布日。GitHub和Hugging Face的标签从"coming soon"变过来的那一刻，独立测试才成为可能。
- 如果你在做交互产品，先想清楚打断怎么处理。会说话的智能体最难的往往不是嗓音，而是知道什么时候闭嘴。

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-e890a6
本内容仅供参考，不构成投资建议。
