Duo-1.0-causal-base: 153 غيغابايت من الأوزان، وورقة بحثية، ولا منشور إطلاق

في الساعة 06:32 بتوقيت UTC يوم 12 نوفمبر، سجّل مستودع على Hugging Face يُسمى Duo-1.0-causal-base أول إيداع له: 80 ملفًا، و153.46 GB، وحزمة تضم عمودًا فقريًا للرؤية واللغة، ومحوّل انتشار سمعي بصري، ومرمّزين اثنين، ونظام تعرّف على الكلام، وأداة محاذاة قسرية. وكانت الورقة البحثية التي تقف خلفه قد نُشرت على arXiv في اليوم السابق. وتبعته ثلاثة مستودعات شقيقة في غضون أربع وعشرين ساعة، أحدها لا يزال قيد الرفع هذا الصباح. ويسمّي قسم الأخبار الخاص بالمستودع، المؤرخ 13 نوفمبر، كل ذلك إصدارًا. ولا يكاد أي شيء آخر يفعل ذلك. لا يوجد منشور إطلاق، ولا نقطة نهاية مستضافة، ولا صفحة تسعير، ولا معيار تقييم مستقل لـ Duo-1.0-causal-base يمكنني العثور عليه — كما أن ملف الترخيص الموجود داخل تلك الـ153 GB يستثني الاتحاد الأوروبي والمملكة المتحدة وكوريا الجنوبية والولايات المتحدة من نطاق منحه.

إذن، هذا ليس مقال إطلاق، لأن الإطلاق لم يحدث. وهو أيضًا ليس مقال تسريب، لأن الأوزان عامة وغير مقيّدة وبالكامل. ما يلي يفصل بين أمرين يختلطان كلما نشر مختبر بحثي مستودعًا بدلًا من منتج: ما تؤكده الملفات والورقة فعليًا، وما لم يؤكده أحد بعد.

ما الذي وصل، وبأي ترتيب

يمكن قراءة التسلسل من بيانات تعريف المستودع، وهذا مهم لأنه السجل الوحيد من الجهة الأولى.

• الورقة — arXiv 2611.15131، Duo: A Reciprocal World Model for Full-Duplex Interaction، عشرون مؤلفًا من Hengyuan Cao إلى Zhenzhong Lan، قُدِّمت في 11 نوفمبر 2026. وتعرض صفحة الورقة على Hugging Face 27 تصويتًا إيجابيًا ولا تغطية تتجاوز ذلك.

• الأوزان — أربعة مستودعات ضمن مؤسسة inclusionAI، التي تصف نفسها بأنها موطن مبادرة AGI لدى Ant Group، وتحمل صفحة مشروعها حقوق نشر Ant Research لعام 2026. أُنشئت Duo-1.0-causal-base وDuo-1.2-causal-base عند 06:30 و06:32 UTC في 12 نوفمبر؛ وأُنشئ Duo-1.0-distill قبل ذلك بخمس وعشرين ثانية؛ وأُنشئ Duo-1.0-distill-quant صباح اليوم عند 08:09 UTC.

• الشيفرة — github.com/inclusionAI/Duo، Apache-2.0، أُنشئت في 6 نوفمبر لكنها تضم التزامًا واحدًا فقط، بطابع زمني 09:13 UTC اليوم، مع ست نجوم ولا تفرعات وقت كتابة هذه الأسطر.

• البيان — كتلة الأخبار في README، وجميع الأسطر الثلاثة المؤرخة 2026/11/13: الورقة البحثية، وخطوط أنابيب البث vLLM-Omni وSGLang-Omni، وأوزان v1 بالإضافة إلى شيفرة الاستدلال دون اتصال.

أحجام الحزم هي أول ما يمكن للقارئ أن يتصرف بناءً عليه، لأنها غير قابلة للتبادل.

• Duo-1.0-causal-base — 153.46 GB موزعة على 80 ملفًا. أوزان التحقيق 69.07 GB، ونموذج النية 66.73 GB، وبرامج ترميز الفيديو والصوت 11.02 GB، ومكدس الكلام 6.54 GB، ومهايئ بسعة 84.8 MB.

• Duo-1.2-causal-base — 153.46 غيغابايت موزعة على 80 ملفًا، وُصفت فقط بأنها "جودة توليد محسّنة"، مع إدراج نسخها المقطّرة والمكمّمة على أنها ستتوفر قريبًا.

• Duo-1.0-distill — 2.78 GB، ثمانية ملفات. إنها طبقة إضافية وليست نموذجًا: تُنزَّل في المجلد نفسه الخاص بحزمة الأساس، وتستبدل إعدادات المُعايّن بـ Euler عند أربع خطوات وإزاحة تدفق 5.0، مقابل خمسين خطوة عند 1.0 للأساس.

• Duo-1.0-distill-quant — 47.03 GB. الطبقة الرباعية الخطوات نفسها في ModelOpt FP8 مع التحجيم لكل قناة، وتوضح البطاقة صراحةً أنه يجب على بيئة التشغيل دعم هذا التنسيق أو توفير مسار تحويل.

وحدتان وساعة مدتها 708 مللي ثانية

يمكن قراءة البنية من ملفات التهيئة، وهذا أكثر مما تمنحك إياه معظم بطاقات النماذج. يقسّم Duo المهمة إلى شقّين.

وحدة Intent معلنة باسم Qwen3VLForConditionalGeneration — 64 طبقة بأبعاد مخفية 5120، و64 رأس انتباه مع 8 رؤوس مفتاح-قيمة، وحجم وسيط 25600، ومفردات من 151,936 رمزًا، وبرج رؤية من 27 طبقة بحجم رقعة 16. وتصل مجموع الشظايا إلى 66.71 غيغابايت من أوزان bfloat16. هذا نموذج رؤية-لغة كبير، ولا تذكر البطاقة أبدًا عدد المعاملات، لذا فإن فئة الحجم استنتاج من الإعداد وليست رقمًا من المورّد. وفوق ذلك يوجد محوّل LoRA برتبة 8 وalpha 16، يستهدف إسقاطات الاستعلام والمفتاح والقيمة والإخراج بالإضافة إلى رأس النموذج اللغوي، وأربعة رموز خاصة قابلة للتدريب: <wait> و<blank> و<chunk_708> و<speak>.

مجموعة الرموز تلك هي الفكرة كلها في صورة مصغّرة. في كل مقطع، تُصدِر وحدة Intent إما <speak> مع نص أو <wait> بدون شيء. إن تحديد وقت التحدث تنبؤ منفصل عن تحديد ما يُقال، وهو الفرق بين نموذج يجيب عندما تتوقف وآخر يستطيع أن يقاطع، أو يلزم الصمت، أو يواصل التحدث بينما تفعل أنت ذلك.

وحدة Realization هي MiniMaxH3DiTModel: 50 طبقة بأبعاد مخفية 5376، و56 رأسًا بُعد كل منها 128، وعرض تغذية أمامية 14336، ورقعة 1×2×2، و24 قناة كامنة للفيديو و32 للصوت، ومنقّح رموز من طبقتين يدمج الحالات المخفية لوحدة Intent في التكييف. وهي تُهيأ من أوزان MiniMax H3، ويسمّي ملف NOTICE الترخيص الأصلي. تبلغ الشرائح إجمالًا 66.28 GB موزعة على 535 موترًا.

الساعة التي تربطها معًا هي الرقم الجدير بالحفظ. يجري التفاعل في كتل من 17 إطار فيديو بمعدل 24 إطارًا في الثانية — أي 708 ملّي ثانية. تُشفَّر كل كتلة على هيئة خمسة كامنات فيديو بتقسيم إطارات 1-4-4-4-4، وعلى هيئة 2×29 كامنًا صوتيًا، لأن الصوت يجري بمعدل 40 كامنًا في الثانية لكل قناة عند 32 kHz، واحد كل 25 ملّي ثانية. الترميز الموضعي هو RoPE ثلاثي الأبعاد مرتبط بزمن التشغيل. صُممت أقنعة الانتباه بحيث لا تستطيع أي كتلة رؤية الوسائط النظيفة الخاصة بمستقبلها، وهذا ما يجعل الأمر كله سببيًا وقابلًا للتدفق بدلًا من نموذج انتشار يحتاج إلى المقطع المكتمل قبل أن يبدأ.

ادعاء زمن الاستجابة حقيقي، وهو ادعاء يخص ثماني وحدات معالجة رسومية.

قسم البث في الورقة البحثية هو أكثر ما في الإصدار ملموسية، وأقلّه قابلية لإعادة الإنتاج على العتاد الذي يمتلكه معظم القراء.

• استنتاج النية — من 90 إلى 160 مللي ثانية لكل جزء.

• توليد كامن مشترك عند 768×576 — من 200 إلى 450 مللي ثانية.

• فك الترميز المتدفق — نحو 30 مللي ثانية لكل مجموعة من أربع إطارات.

• زمن إضافي — حوالي 40 مللي ثانية.

• الإجمالي — من 330 إلى 650 مللي ثانية، مقابل هدف دورة قدره 17/24 من الثانية، مع تأخير إضافي في أخذ العينات قدره 708 مللي ثانية إذا انتهى التلفّظ في منتصف النافذة.

تأتي تلك الأرقام من تخطيط بثماني وحدات GPU. تعمل وحدة Intent بالتوازي التنسوري عبر أربع رتب على وحدات GPU 0–3 إلى جانب متعرّف الكلام؛ ويمتد محوّل الانتشار عبر الثماني كلها، ويختار لكل مقطع التوازي التنسوري أو التسلسلي حسب ما يقلّل زمن الدورة في ظل قيد الذاكرة؛ وتقسّم VAE التدفقية مكانيًا إلى أربعة أجزاء على وحدات GPU 4–7. تشغّل وحدات GPU 0–3 وحدة Intent للمقطع k+1 بينما تفكّ وحدات GPU 4–7 ترميز المقطع k. ويُصدر الخرج على هيئة مرساة من إطار واحد زائد أربع حزم كل منها أربعة إطارات، وأقصر فاصل تشغيل، وهو 1/24 من الثانية أي نحو 41.7 ms، أطول عمدًا من فك الترميز البالغ 30 ms كي يستطيع المخزن المؤقت استيعاب الاهتزاز الزمني.

اقرأ الآن متطلبات README في ضوء ذلك. يطلب النشر المرجعي دون اتصال وحدتي GPU من CUDA — واحدة لـIntent والترميزات، وواحدة لـRealization — وبيئتي Python لأن حزمة qwen-asr المثبتة بإصدار محدد تجرّ معها نسختها الخاصة من Transformers، وFFmpeg في المسار. هذا هو الإعداد الذي يعمل به العرض التجريبي المُشحَن فعليًا. رقم 330 إلى 650 مللي ثانية يفترض ثماني وحدات GPU لطراز غير محدد. كلا الرقمين صادق؛ فهما يجيبان عن سؤالين مختلفين، والفجوة بينهما هي المسافة بين نتيجة بحثية وصندوق يمكنك بناؤه هذا الأسبوع.

93.3% هي أن يقوم المؤلفون بتصحيح امتحانهم بأنفسهم

هذا التقييم غير اعتيادي على نحو يستحق أن يُذكر قبل الاستشهاد بالنسبة المئوية في أي مكان.

أُعيد تشغيل ثلاثين حالة ثنائية الاتجاه في الوقت الفعلي جنبًا إلى جنب على خط زمني مشترك، وحُكِم عليها بسرعة تشغيل عادية ومع الصوت، مقابل ستة معايير ثنائية بشروط فشل مكتوبة: استجابة المحتوى، والالتزام باللغة، ووضوح الكلام، واستقرار الهوية البصرية، والتزامن السمعي البصري، والاتساق العاطفي السمعي البصري. ومن أصل 180 فحصًا، نجح 168 — 93.3%. ونجح تسعون من تسعين في الالتزام باللغة ووضوح الكلام واستقرار الهوية البصرية مجتمعة. وجاء الاتساق العاطفي بنسبة 96.7%، ومحاذاة الشفاه 90.0%، واستجابة المحتوى 73.3%، أي 22 من 30.

ثلاثة أمور تلي، وأولها وحده مُطرٍ.

أولاً، إن نسبة 93.3% على 180 فحصاً ثنائياً مع شروط فشل مكتوبة تُعد ادعاءً أكثر قابلية للتكذيب من تصنيف Elo على لوحة المتصدرين، وتحليل الفشل محدد على نحو غير معتاد: نكات وملاحظات غير مباشرة تحتاج من النموذج أن يقرأ ما وراء الكلمات الحرفية، وقصد لا يتضح إلا عند قراءة الكلام والفيديو معاً — مثال الورقة هو مستخدم في الداخل يذكر دراجة مشتركة بينما تبدأ السماء تمطر، وقد تعامل النموذج مع ذلك كطلب نصيحة لا كتغير في المشهد.

ثانيًا، الحكّام هم المؤلفون أنفسهم. فلا يوجد تشغيل من طرف ثالث، ولا دراسة عمياء للمقارنة الثنائية، ولا لجنة من المراجعين الخارجيين. إنّ مقياسًا ثنائيًا ذا شروط مكتوبة هو الأداة الصحيحة؛ لكن تطبيقه على مخرجاتك الخاصة ليس تحققًا مستقلًا.

ثالثًا، والأكثر دلالة، لا توجد أي مقارنة مع خط أساس في أي مكان من الورقة. المقارنة الكمية الوحيدة هي تجربة استئصال على توليف البيانات: على مدى تسلسل مدته ستون ثانية يتألف من عشر كتل مدة كل منها ست ثوانٍ، يفقد خط الأساس 34.2 مستوى لومة بحلول الكتلة التاسعة بينما تستقر الطريقة المقترحة عند نحو 99. تُناقش الأعمال ذات الصلة — Moshi، Qwen-Omni، Wan-Streamer، EMO، OmniHuman، LiveTalk، Self Forcing، CausVid — نوعيًا دون أرقام مقارنة مباشرة. كما لا تذكر الورقة قط أعداد المعاملات أو أحجام بيانات التدريب. لذا فالخلاصة الصادقة هي أن Duo v1 قُيّم مقابل معيار تقييم، لا مقابل نموذج آخر.

الترخيص هو الجزء الذي يحدد أسبوعك

هذا هو القسم الذي يغيّر قرارات الشراء، وهو مدفون في ملف LICENSE بحجم 17 كيلوبايت بدلًا من أن يكون في نص بطاقة النموذج.

الأوزان ليست Apache-2.0. مستودع الشيفرة هو كذلك؛ أما الأوزان فليست كذلك. تحمل كل نقطة حفظ لـ Duo ترخيص minimax-h3-community-license، لأن وحدة Realization جرى تهيئتها من MiniMax H3، وينتقل الترخيص مع العمل المشتق. الاتفاقية داخل الحزمة مؤرخة في 2 أغسطس 2026 وتعرّف "MiniMax" بأنها Nanonoble Pte. Ltd.

منحها محدود إقليميًا. يعني «الإقليم المنطبق» العالم كله باستثناء الأقاليم المستثناة، والأقاليم المستثناة هي الاتحاد الأوروبي والمملكة المتحدة وجمهورية كوريا والولايات المتحدة الأمريكية. ويدعو نص الترخيص أي شخص في تلك الأقاليم إلى التواصل مع M​iniMax بشأن الحصول على ترخيص «قائم على ضوابط وحواجز أمنية قوية»، وهو مسار وليس إذنًا.

عمليًا: يمكن لمجموعة بحثية في سنغافورة أو سويسرا أو اليابان أو الهند أو البرازيل أو كندا تنزيل هذا وتشغيله اليوم بموجب الشروط المذكورة. أما فريق في سان فرانسيسكو أو لندن أو برلين أو سيول فلا يمكنه ذلك، وفق القراءة المباشرة للملف، وينبغي ألا يكتشف ذلك في نهاية عملية تكامل تستغرق أسبوعين. هذا التفاوت هو أيضًا سبب كون الترخيص — وليس المعيار المرجعي — هو ما ينبغي التحقق منه قبل جدولة أي شيء.

ما يمكنك تشغيله فعليًا اليوم

مسار العمل دون اتصال موثّق وقصير. استنسخ المستودع، وأنشئ بيئتين افتراضيتين — واحدة لـ Realization، وأخرى لمكدّس الكلام — ونزّل حزمة أساسية، وانسخ configs/inference.example.json إلى configs/inference.json، ووجّهه إلى الأوزان وملفّي Python التنفيذيين، ثم شغّل run_demo.py --config configs/inference.json --port 4173. الواجهة صفحة متصفح على /video/index.html.

بالنسبة للبثّ، يشير ملف README إلى فرعين: vLLM-Omni، الموسوم بأنه مُوصى به، وSGLang-Omni. وهذا هو المسار الذي تصفه أرقام زمن الاستجابة، وهو المسار الذي يحتاج إلى تخطيط ثماني وحدات معالجة رسومية.

ثمة تحفظان بشأن ما ستراه. العروض التوضيحية في صفحة المشروع مستمدة من بيانات التدريب والاستدلال دون اتصال — وهي تذكر ذلك، وتضيف أن نتائج الزمن الحقيقي ثنائية الاتجاه الكاملة «ستُضاف قريبًا». والإصدار معاينة صريحة: «Duo v1 إصدار معاينة للباحثين»، يدعم «محادثة سمعية بصرية أساسية»، مع وعد بأن v2 سيجعل Realization مشروطًا مباشرةً بصوت المستخدم والفيديو من أجل التفاعل البصري. إذا كان اهتمامك نموذجًا يراقبك ويتفاعل مع الأشياء، فهذه القدرة ليست ضمن هذا الطرح.

من يجب أن يهتم هذا الأسبوع، ومن يجب أن ينتظر

• بحث التفاعل ثنائي الاتجاه الكامل — هذا هو أكثر إصدار مفتوح ملموس في هذه الفئة: ورقة بحثية تتضمن ميزانية زمن وصول، وساعة مقاطع، ووصفة تقطير، وأوزانًا قابلة للتنزيل فعليًا. أما التقطير بالتنفيذ المزدوج — أي تشغيل وحدة Intent المجمّدة ثم توليد الوسائط من مخرجات النموذج نفسه، بدلًا من السجل المسجّل — فهي الفكرة القابلة للنقل حتى لو لم تشغّل Duo قط.

• فرق تبني منتج أفاتار أو رفيق — يستحق القراءة لمجرد تأطير الـ708 مللي ثانية. ذلك هو الرقم الذي يحدد ما إذا كانت المقاطعة القصيرة تبدو كشخص أم كتأخير، وهو قيد تصميمي يمكنك اعتماده دون اعتماد النموذج.

الفرق في الأقاليم المستثناة — انتظروا، وتعاملوا مع محادثة الترخيص باعتبارها المسار الحرج بدلًا من ميزانية GPU.

• أي شخص يريد واجهة برمجة تطبيقات (API) — هذا ليس ذلك. تنص بطاقة النموذج بوضوح على أنه لا يوجد أي مزوّد استدلال يقدّمه، ولا توجد نقطة نهاية من المورّد.

تلك النقطة الأخيرة هي حيث يناسب الموجّه بصدق وحيث لا يناسب. {{1}}لا يستضيف OrcaRouter النموذج Duo-1.0-causal-base ولا يستطيع توجيهه{{/1}}: فمكدس انتشار ثنائي الوحدات بحجم 153 غيغابايت وبساعة مقاطع ثابتة تبلغ 708 مللي ثانية ليس هدفًا لإكمالات المحادثة، ولا يغيّر أي قدر من التوجيه ذلك. {{2}}ما يمكن توجيهه هو البديل القائم على الأدوار الذي تطلقه معظم الفرق بينما تعمل تجربة duplex خلف علامة ميزة{{/2}} — إدخال كلام، ثم نموذج لغوي، ثم إخراج كلام. يمكن أن يكون مسار إخراج الكلام نموذجًا مستضافًا لتحويل النص إلى كلام بدلًا من عملية أخرى على وحدتي GPU نفسيهما، وإنجازه عبر واجهة API واحدة لأكثر من 200 نموذج مع تمرير سعر قائمة المزوّد بهامش ربح 0% يبقي حسابات التكلفة دون تغيير عندما يغيّر أحد المورّدين سعرًا. ينتمي التبديل التلقائي عند الفشل إلى تلك المسارات المستضافة، وليس إلى المسار المستضاف ذاتيًا: فهو يبقي عرضًا توضيحيًا حيًا عندما يتعثر مزوّد، ولا يفعل شيئًا لحزمة تشغّلها على عتادك الخاص.

الاستخدام الصادق الآخر هو انضباط التقييم. أبقِ مسار الإنتاج على نماذج يمكنك استدعاؤها، وتعامل مع Duo-1.0-causal-base كتجربة مخبرية ذات معايير مكتوبة — وهي، بالنظر إلى أن المعايير الوحيدة الموجودة طبّقها مؤلفوها، بالضبط ما هي عليه.

ما الذي قد يغيّر الحكم؟

ثلاثة أمور، مرتبة تصاعديًا وفق مدى أهميتها.

طرف ثالث يقيّم المعايير الستة على مطالبات لم يخترها فريق Duo. إن مقياس التقييم منشور بالفعل، ما يجعل القيام بذلك رخيصًا لأي شخص ومكلفًا للنموذج إذا كانت استجابة المحتوى تبلغ حقًا 73.3% في الحالات غير المرئية.

نقطة نهاية مستضافة أو وصفة تقديم لا تفترض وجود ثماني وحدات GPU. العرض التوضيحي غير المتصل ببطاقتَي GPU وادعاء زمن الاستجابة بثماني بطاقات GPU كلاهما صحيح، والفجوة بينهما هي حيث سيقع معظم القراء فعليًا.

شروط ترخيص تشمل الأقاليم المستثناة. ولا شيء في البنية يغيّر تلك الحسابات، ولا يفعل ذلك أي قدر من تحسين المعايير.

حتى ذلك الحين، الوصف الدقيق لـ Duo-1.0-causal-base هو هذا: حزمة بحثية كاملة ومتاحة دون قيود، بحجم 153 غيغابايت، تتضمن ميزانية زمن استجابة حقيقية وتقييمًا ذاتي التسجيل، صدرت كورقة ومستودع مع سطر أخبار مؤرخ ولا منتج خلفها. هذا أكثر من مسودة بحثية — فالأوزان موجودة والعرض التجريبي يعمل — وأقل بكثير من نموذج يمكنك التخطيط لربع سنة حوله. السؤال المفتوح ليس هل يستطيع Duo إجراء محادثة في شرائح من 708 مللي ثانية. بل هل سيُسمح لأي شخص خارج الفريق بالتحقق.