Duo-1.0-causal-base: 153 GB Gewichte, ein Paper und kein Launch-Post

Am 12. November um 06:32 UTC erhielt ein Repository von Hugging Face namens Duo-1.0-causal-base seinen ersten Commit: 80 Dateien, 153,46 GB und ein Paket, das ein Vision-Language-Backbone, einen audiovisuellen Diffusions-Transformer, zwei Codecs, einen Spracherkenner und einen Forced Aligner enthält. Das dazugehörige Paper war am Tag zuvor auf arXiv erschienen. Drei Schwester-Repositories folgten innerhalb von 24 Stunden, eines davon lud heute Morgen noch hoch. Der eigene News-Block des Repositories, datiert auf den 13. November, bezeichnet all das als Release. Fast nichts sonst tut das. Es gibt keinen Launch-Post, keinen gehosteten Endpoint, keine Preisseite und keinen unabhängigen Benchmark für Duo-1.0-causal-base, den ich finden kann — und die in diesen 153 GB enthaltene Lizenzdatei schließt die Europäische Union, das Vereinigte Königreich, Südkorea und die Vereinigten Staaten von ihrer Gewährung aus.

Das hier ist also kein Launch-Artikel, denn es gab keinen Launch. Es ist auch kein Leak-Artikel, denn die Gewichte sind öffentlich, ohne Zugangsbeschränkung und vollständig. Was folgt, trennt die beiden Dinge, die immer dann vermischt werden, wenn ein Forschungslabor statt eines Produkts ein Repository veröffentlicht: das, was die Dateien und das Paper tatsächlich belegen, und das, was noch niemand bestätigt hat.

Was gelandet ist und in welcher Reihenfolge

Die Abfolge lässt sich aus den Repository-Metadaten ablesen, was wichtig ist, da diese die einzige Aufzeichnung aus erster Hand sind.

• Das Paper — arXiv 2611.15131, Duo: Ein reziprokes Weltmodell für Vollduplex-Interaktion, zwanzig Autor:innen von Hengyuan Cao bis Zhenzhong Lan, eingereicht am 11. November 2026. Die Paper-Seite auf Hugging Face zeigt 27 Upvotes und keine Berichterstattung darüber hinaus.

• Die Gewichte – vier Repositories unter der inclusionAI-Organisation, die sich selbst als Zuhause der AGI-Initiative von Ant Group bezeichnet und deren Projektseite einen Copyright-Vermerk von Ant Research aus dem Jahr 2026 trägt. Duo-1.0-causal-base und Duo-1.2-causal-base wurden am 12. November um 06:30 und 06:32 UTC erstellt; Duo-1.0-distill fünfundzwanzig Sekunden früher; Duo-1.0-distill-quant heute Morgen um 08:09 UTC.

• Der Code — github.com/inclusionAI/Duo, Apache-2.0, am 6. November erstellt, enthält jedoch genau einen Commit mit Zeitstempel 09:13 UTC heute und hatte zum Zeitpunkt des Verfassens sechs Sterne und keine Forks.

• Die Aussage – der News-Block der README, alle drei Zeilen datiert auf den 13.11.2026: das Paper, die Streaming-Pipelines vLLM-Omni und SGLang-Omni sowie die v1-Gewichte plus Offline-Inferenzcode.

Die Bundle-Größen sind das Erste, worauf ein Leser reagieren kann, da sie nicht austauschbar sind.

• Duo-1.0-causal-base — 153,46 GB verteilt auf 80 Dateien. Realisierungsgewichte 69,07 GB, Intent-Modell 66,73 GB, Video- und Audiocodecs 11,02 GB, Sprach-Stack 6,54 GB und ein 84,8 MB großer Adapter.

• Duo-1.2-causal-base — 153,46 GB auf 80 Dateien, lediglich als „verbesserte Generierungsqualität“ beschrieben, wobei die destillierten und quantisierten Varianten als „demnächst verfügbar“ aufgeführt sind.

• Duo-1.0-distill — 2,78 GB, acht Dateien. Ein Overlay, kein Modell: Es wird in dasselbe Verzeichnis wie das Basis-Bundle heruntergeladen und ersetzt die Sampler-Einstellungen durch Euler mit vier Schritten und einem Flow-Shift von 5,0 – gegenüber fünfzig Schritten bei 1,0 für die Basis.

• Duo-1.0-distill-quant — 47,03 GB. Dasselbe vierstufige Overlay in ModelOpt FP8 mit Per-Channel-Skalierung, und die Karte stellt ausdrücklich klar, dass die Runtime dieses Format unterstützen oder einen Konvertierungsweg anbieten muss.

Zwei Module und eine 708-Millisekunden-Uhr

Die Architektur lässt sich aus den Konfigurationsdateien ablesen – das ist mehr, als die meisten Model Cards hergeben. Duo teilt die Aufgabe in zwei Teile.

Das Intent-Modul ist als Qwen3VLForConditionalGeneration deklariert – 64 Schichten mit 5120 Hidden-Dimension, 64 Attention-Heads mit 8 Key-Value-Heads, einer Zwischengröße von 25600, einem Vokabular von 151.936 Tokens und einem 27-schichtigen Vision-Tower mit einer Patch-Größe von 16. Die Shards summieren sich auf 66,71 GB an bfloat16-Gewichten. Das ist ein großes Vision-Language-Modell, und die Model Card nennt nie eine Parameteranzahl, daher ist die Größenklasse eine Schlussfolgerung aus der Konfiguration und keine Herstellerangabe. Darauf sitzt ein LoRA-Adapter mit Rang 8 und Alpha 16, der auf die Query-, Key-, Value- und Output-Projektionen sowie den Language-Model-Head abzielt, und vier trainierbare spezielle Tokens: <wait>, <blank>, <chunk_708> und <speak>.

Dieses Token-Set ist die gesamte Idee im Kleinen. Bei jedem Chunk gibt das Intent-Modul entweder <speak> mit Text oder <wait> ohne Inhalt aus. Die Entscheidung, wann gesprochen wird, ist eine separate Vorhersage von der Entscheidung, was gesagt wird – das ist der Unterschied zwischen einem Modell, das antwortet, wenn man aufhört, und einem, das sich einwerfen, Stille halten oder weiterreden kann, während man selbst spricht.

Das Realization-Modul ist ein MiniMaxH3DiTModel: 50 Schichten mit 5376 Hidden-Dimension, 56 Heads der Dimension 128, einer Feed-Forward-Breite von 14336, einem 1×2×2-Patch, 24 latenten Kanälen für Video und 32 für Audio sowie einem zweischichtigen Token-Refiner, der die Hidden States des Intent-Moduls in die Konditionierung einbezieht. Es wird aus MiniMax-H3-Gewichten initialisiert, und die NOTICE-Datei nennt die Upstream-Lizenz. Die Shards summieren sich auf 66,28 GB verteilt auf 535 Tensoren.

Der Takt, der sie zusammenhält, ist die Zahl, die es sich zu merken lohnt. Die Interaktion läuft in Blöcken von 17 Videoframes bei 24 Bildern pro Sekunde — 708 Millisekunden. Jeder Block wird als fünf Video-Latents mit einer Frame-Aufteilung von 1-4-4-4-4 kodiert und als 2×29 Audio-Latents, weil Audio bei 32 kHz mit 40 Latents pro Sekunde pro Kanal läuft, eines alle 25 Millisekunden. Die Positionskodierung ist ein dreidimensionales RoPE, das an die Wiedergabezeit gekoppelt ist. Die Attention-Masks sind so aufgebaut, dass kein Block die sauberen Medien seiner eigenen Zukunft sehen kann, was das Ganze kausal und streamfähig macht, statt ein Diffusionsmodell zu sein, das den fertigen Clip braucht, bevor es beginnen kann.

Die Latenzbehauptung ist real, und sie bezieht sich auf acht GPUs.

Der Streaming-Abschnitt des Papers ist das Konkreteste an der Veröffentlichung und das am wenigsten Reproduzierbare auf der Hardware, über die die meisten Leser verfügen.

• Absichtsermittlung – 90 bis 160 ms pro Chunk.

• Gemeinsame latente Generierung bei 768×576 — 200 bis 450 ms.

• Streaming-Dekodierung – etwa 30 ms pro Vier-Frame-Gruppe.

• Overhead — etwa 40 ms.

• Gesamt — 330 bis 650 ms, gegenüber einem Zyklusziel von 17/24 Sekunde, mit weiteren 708 ms Abtastverzögerung, wenn eine Äußerung mitten im Fenster endet.

Diese Zahlen stammen aus einem Layout mit acht GPUs. Das Intent-Modul läuft tensor-parallel über vier Ränge auf den GPUs 0–3 zusammen mit dem Spracherkenner; der Diffusion-Transformer verteilt sich über alle acht und wählt pro Chunk Tensor- oder Sequenzparallelität danach, was die Zykluszeit unter der Speichergrenze minimiert; der Streaming-VAE wird räumlich in vier Kacheln auf den GPUs 4–7 aufgeteilt. GPUs 0–3 verwenden Intent für Chunk k+1, während GPUs 4–7 das Dekodieren von Chunk k übernehmen. Die Ausgabe wird als Ein-Frame-Anker plus vier Vier-Frame-Pakete freigegeben, und das kürzeste Wiedergabeintervall, 1/24 Sekunde bei etwa 41,7 ms, ist absichtlich länger als die 30 ms lange Dekodierung, damit der Puffer Jitter absorbieren kann.

Lies nun die Anforderungen der README im Vergleich dazu. Die Referenz-Offline-Bereitstellung verlangt zwei CUDA-GPUs – eine für Intent und die Codecs, eine für Realization –, zwei Python-Umgebungen, weil das gepinnte Paket qwen-asr seine eigene Transformers-Version mitbringt, und FFmpeg im PATH. Das ist die Konfiguration, die die mitgelieferte Demo tatsächlich ausführt. Die Angabe von 330 bis 650 ms setzt acht GPUs eines nicht genannten Modells voraus. Beide Zahlen sind ehrlich; sie beantworten unterschiedliche Fragen, und die Kluft dazwischen ist der Abstand zwischen einem Papierergebnis und einer Box, die man diese Woche bauen kann.

93,3 % bewerten die Autoren ihre eigene Prüfung selbst.

Die Bewertung ist auf eine Weise ungewöhnlich, die erwähnt zu werden verdient, bevor der Prozentsatz irgendwo zitiert wird.

Dreißig Echtzeit-Duplex-Fälle wurden Seite an Seite auf einer gemeinsamen Zeitachse erneut abgespielt und bei normaler Wiedergabegeschwindigkeit mit Ton anhand von sechs binären Kriterien mit schriftlich festgelegten Fehlerbedingungen bewertet: Inhaltsreaktionsfähigkeit, Spracheinhaltung, Sprachverständlichkeit, Stabilität der visuellen Identität, audiovisuelle Synchronisation und audiovisuelle emotionale Konsistenz. Von 180 Prüfungen wurden 168 bestanden – 93,3 %. Neunzig von neunzig bestanden bei Spracheinhaltung, Sprachverständlichkeit und Stabilität der visuellen Identität zusammengenommen. Die emotionale Konsistenz erreichte 96,7 %, die Lippenausrichtung 90,0 % und die Inhaltsreaktionsfähigkeit 73,3 %, also 22 von 30.

Es folgen drei Dinge, und nur das erste ist schmeichelhaft.

Erstens ist 93,3 % bei 180 binären Prüfungen mit schriftlich festgelegten Fehlerbedingungen eine besser falsifizierbare Behauptung als ein Leaderboard-Elo, und die Fehleranalyse ist ungewöhnlich konkret: Witze und indirekte Bemerkungen, bei denen das Modell über die wörtliche Bedeutung hinauslesen muss, und Absichten, die sich erst erschließen, wenn Sprache und Video gemeinsam gelesen werden – das Beispiel des Papers ist ein Nutzer in Innenräumen, der ein Leihfahrrad erwähnt, während es anfängt zu regnen, was das Modell als Bitte um Rat statt als Szenenwechsel behandelte.

Zweitens sind die Bewertenden die Autoren. Es gibt keinen Durchlauf durch Dritte, keine verblindete Paarvergleichsstudie, kein Gremium externer Prüfer. Eine binäre Bewertungsrubrik mit schriftlich festgelegten Bedingungen ist das richtige Instrument; sie auf die eigenen Ergebnisse anzuwenden, ist keine unabhängige Überprüfung.

Drittens, und am aussagekräftigsten: Es gibt in der gesamten Arbeit keinen Baseline-Vergleich. Der einzige quantitative Kontrast ist eine Ablation zur Datensynthese: Über eine 60-sekündige Sequenz aus zehn sechs Sekunden langen Blöcken verliert die Baseline bis zum neunten Block 34,2 Luma-Stufen, während sich die vorgeschlagene Methode bei etwa 99 stabilisiert. Verwandte Arbeiten — Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid — werden qualitativ diskutiert, ohne direkte Vergleichszahlen. Die Arbeit nennt außerdem nie Parameterzahlen oder Trainingsdatenmengen. Die ehrliche Zusammenfassung lautet also, dass Duo v1 anhand eines Bewertungsrasters gemessen wurde, nicht gegen ein anderes Modell.

Die Lizenz ist der Teil, der über deine Woche entscheidet.

Dies ist der Abschnitt, der Beschaffungsentscheidungen verändert, und er ist in einer 17 KB großen LICENSE-Datei vergraben statt im Fließtext der Modellkarte.

Die Gewichte sind nicht Apache-2.0. Das Code-Repository ist es; die Gewichte sind es nicht. Jeder Duo-Checkpoint trägt minimax-h3-community-license, weil das Realization-Modul aus MiniMax H3 initialisiert wurde und die Lizenz mit dem Derivat mitwandert. Die Vereinbarung im Bundle ist auf den 2. August 2026 datiert und definiert „M​iniMax“ als Nanonoble Pte. Ltd.

Die Erteilung ist territorial begrenzt. „Anwendbares Gebiet“ bezeichnet weltweit mit Ausnahme der „Ausgeschlossenen Gebiete“, und bei den Ausgeschlossenen Gebieten handelt es sich um die Europäische Union, das Vereinigte Königreich, die Republik Korea und die Vereinigten Staaten von Amerika. Der Lizenztext lädt alle in diesen Gebieten ein, sich wegen des Erhalts einer Lizenz „auf der Grundlage robuster Kontrollen und Schutzvorkehrungen“ an MiniMax zu wenden, was einen Weg, keine Erlaubnis darstellt.

Praktisch gesagt: Eine Forschungsgruppe in Singapur, der Schweiz, Japan, Indien, Brasilien oder Kanada kann dies heute zu den genannten Bedingungen herunterladen und ausführen. Ein Team in San Francisco, London, Berlin oder Seoul kann das nach dem eindeutigen Wortlaut der Datei nicht und sollte das nicht erst am Ende einer zweiwöchigen Integration entdecken. Diese Asymmetrie ist auch der Grund, warum die Lizenz — nicht der Benchmark — das ist, was man prüfen sollte, bevor man irgendetwas plant.

Was Sie heute tatsächlich ausführen können

Der Offline-Weg ist dokumentiert und kurz. Klonen Sie das Repository, erstellen Sie zwei virtuelle Umgebungen – eine für Realization, eine für den Speech-Stack –, laden Sie ein Basis-Bundle herunter, kopieren Sie configs/inference.example.json nach configs/inference.json, richten Sie es auf die Gewichte und die beiden Python-Executables aus, und starten Sie run_demo.py --config configs/inference.json --port 4173. Die Oberfläche ist eine Browserseite unter /video/index.html.

Für Streaming verweist die README auf zwei Branches: {{1}}vLLM-Omni{{/1}}, als empfohlen gekennzeichnet, und {{2}}SGLang-Omni{{/2}}. Das ist der Pfad, den die Latenzwerte beschreiben, und der das Layout mit acht GPUs erfordert.

Zwei Einschränkungen zu dem, was Sie sehen werden. Die Demos auf der Projektseite stammen aus Trainingsdaten und Offline-Inferenz – das wird dort gesagt, und es wird ergänzt, dass Echtzeit-Vollduplex-Ergebnisse „bald hinzugefügt werden“. Und die Veröffentlichung ist ausdrücklich eine Vorschau: „Duo v1 ist eine Vorschauversion für Forschende“, die „grundlegende audiovisuelle Konversation“ unterstützt, wobei v2 versprochen wird, Realization direkt auf Audio und Video der Nutzenden zu konditionieren, um visuelle Interaktion zu ermöglichen. Wenn Sie sich für ein Modell interessieren, das Sie beobachtet und auf Objekte reagiert, dann ist diese Fähigkeit in dieser Veröffentlichung nicht enthalten.

Wer sollte sich diese Woche darum kümmern – und wer sollte warten?

• Forschung zur Vollduplex-Interaktion — dies ist die konkreteste offene Veröffentlichung in dieser Kategorie: ein Paper mit einem Latenzbudget, einem Chunk-Takt, einem Distillationsrezept und Gewichten, die sich tatsächlich herunterladen lassen. Die Dual-Rollout-Distillation — bei der ein Rollout des eingefrorenen Intent-Moduls erfolgt und anschließend Medien aus den eigenen Ausgaben des Modells statt aus aufgezeichnetem Verlauf generiert werden — ist die übertragbare Idee, selbst wenn Duo nie ausgeführt wird.

• Teams, die ein Avatar- oder Companion-Produkt entwickeln – allein wegen des 708-ms-Framings lesenswert. Das ist die Zahl, die darüber entscheidet, ob ein Einwurf wie eine Person oder wie eine Verzögerung wirkt, und es ist eine Designvorgabe, die Sie übernehmen können, ohne das Modell zu übernehmen.

• Teams in den ausgeschlossenen Gebieten – warten Sie, und behandeln Sie die Lizenzdiskussion als den kritischen Pfad statt das GPU-Budget.

• Wer eine API sucht – das hier ist keine. In der Modellkarte steht ausdrücklich, dass kein Inferenzanbieter sie bereitstellt und es keinen Anbieter-Endpunkt gibt.

Der letzte Punkt ist der, an dem ein Router ehrlicherweise passt – und an dem er es nicht tut. OrcaRouter hostet Duo-1.0-causal-base nicht und kann es nicht routen: Ein 153 GB großer zweimodularer Diffusions-Stack mit einem festen 708-ms-Chunk-Takt ist kein Chat-Completions-Ziel, und daran ändert auch noch so viel Routing nichts. Routbar ist das turnbasierte Fallback, das die meisten Teams ausliefern, während ein Duplex-Experiment hinter einem Flag läuft – Sprache rein, ein Sprachmodell, Sprache raus. Der Sprachausgabe-Zweig kann ein gehostetes Text-to-Speech-Modell sein statt ein weiterer Prozess auf denselben zwei GPUs, und ihn über eine einzige API für mehr als 200 Modelle abzuwickeln, wobei die Listenpreise der Anbieter mit 0 % Aufschlag durchgereicht werden, hält die Kostenrechnung unverändert, wenn ein Anbieter einen Preis ändert. Automatisches Failover gehört auf diese gehosteten Zweige, nicht auf den selbst gehosteten: Es hält eine Demo am Leben, wenn ein Anbieter wackelt, und bewirkt nichts für einen Stack, den Sie auf Ihrer eigenen Hardware betreiben.

Die andere ehrliche Nutzung ist Evaluationsdisziplin. Behalten Sie den Produktionspfad bei Modellen, die Sie aufrufen können, und behandeln Sie Duo-1.0-causal-base als Benchmark-Experiment mit einem schriftlichen Bewertungsraster — was, da das einzige vorhandene Bewertungsraster von seinen Autoren angewendet wurde, genau das ist, was es ist.

Was würde das Urteil ändern

Drei Dinge, in aufsteigender Reihenfolge danach, wie wichtig sie wären.

Ein Dritter bewertet die sechs Kriterien anhand von Prompts, die das Duo-Team nicht ausgewählt hat. Die Bewertungsrubrik ist bereits veröffentlicht, was es für jemanden günstig macht, das zu tun, und teuer für das Modell, wenn die Inhaltsresponsivität bei ungesehenen Fällen tatsächlich 73,3 % beträgt.

Ein gehosteter Endpoint oder ein Serving-Rezept, das nicht acht GPUs voraussetzt. Die Offline-Demo mit zwei GPUs und die Latenzbehauptung für acht GPUs treffen beide zu, und in der Lücke dazwischen werden sich die meisten Leser tatsächlich bewegen.

Lizenzbedingungen, die die ausgeschlossenen Gebiete einschließen. Nichts an der Architektur ändert etwas an dieser Rechnung, und auch noch so große Benchmark-Verbesserungen tun das nicht.

Bis dahin lautet die zutreffende Beschreibung von Duo-1.0-causal-base: ein vollständiges, nicht zugangsbeschränktes 153-GB-Forschungspaket mit einem realen Latenzbudget und einer selbst bewerteten Evaluation, veröffentlicht als Paper und Repository mit einer datierten News-Zeile und ohne Produkt dahinter. Das ist mehr als ein Preprint – die Gewichte sind da und die Demo läuft – und deutlich weniger als ein Modell, auf das man ein Quartal planen kann. Die offene Frage ist nicht, ob Duo in 708-Millisekunden-Scheiben ein Gespräch führen kann. Sie ist, ob jemand außerhalb des Teams es überprüfen darf.