Realtime-Venus vs. SeedRealtime: Zwei gegensätzliche Arten, nicht verfügbar zu sein

Realtime-Venus und SeedRealtime sind die zwei Hälften derselben Geschichte aus 2026, und sie scheitern an entgegengesetzten Tests. SeedRealtime ist das native audiovisuelle Vollduplex-Modell von ByteDance, das am 5. August 2026 kostenlos in der Doubao-App aktiviert wurde und ein Publikum erreicht, das sein Hersteller mit Hunderten Millionen beschreibt – ohne API, ohne Modellkennung, ohne Preis und ohne Latenzziel. Realtime-Venus ist ein Paar 9B-Checkpoints vom Venus Team der Ant Group und der Tsinghua-Universität, veröffentlicht am 12. September 2026 unter Apache-2.0 mit einem technischen Bericht und ohne Ankündigung, und liegt in einem Repository, das jeder Ingenieur herunterladen kann und das kaum jemand realistisch bereitstellen kann. Eines davon kann man nicht aufrufen. Das andere kann man herunterladen und dann feststellen, dass man nichts hat, worauf man es aufrufen kann. Beide stehen tatsächlich an der Spitze derselben Fähigkeit, und keines von beiden hat einen Benchmark, den jemand außerhalb der eigenen Autorenschaft reproduziert hat.

Zwei Spielarten von „Du kannst es nicht haben“

Es lohnt sich, präzise zu sein, denn der Ausdruck „nicht verfügbar" verbirgt einen echten Unterschied.

SeedRealtime ist auf die Art nicht verfügbar, wie ein Consumer-Produkt nicht verfügbar ist: Es existiert, es funktioniert, es hat Nutzer, und die Tür ist für Entwickler einfach geschlossen. Es gibt keine API, keine Preisliste, kein Dokumentationsportal und keinen angegebenen Zeitplan für eine solche. ByteDances Weg auf den Markt war die App, und die App war genug. Was du als Entwickler bekommst, ist eine Demo, die du erleben, aber nicht integrieren kannst.

Realtime-Venus ist auf die Weise nicht verfügbar, wie ein Forschungsartefakt nicht verfügbar ist: Die Gewichte sind öffentlich, die Lizenz ist permissiv, der Code ist da, und niemand führt es aus. Das Repository wird von keinem Inferenzanbieter deployt, und Downloads werden überhaupt nicht erfasst, sodass es in die eine oder andere Richtung kein öffentliches Signal für eine Adoption gibt. Es ist in dem Sinne verfügbar, der für Forschende zählt, und nicht verfügbar in dem Sinne, der für Produktmanager zählt.

Zusammengenommen umreißen sie die Frage, an der diese ganze Kategorie derzeit festhängt: Die Modelle, die funktionieren, stecken hinter Consumer-Apps, und die Modelle, die man ausführen kann, sind nirgendwo im Produktivbetrieb.

Beide sind auf der Stufe, die 2026 wirklich auszeichnet

Ein nützlicher Weg, das Echtzeitfeld zu verstehen, führt über drei Ebenen. Die erste ist halbduplexer Sprachmodus mit angeflanschter Bildverarbeitung – turn-basierte Assistenten, die sehen können, aber trotzdem abwechselnd agieren. Die zweite ist vollduplexes Audio – gleichzeitiges Zuhören und Sprechen ohne Kamera: ByteDances eigenes Seeduplex, OpenAIs GPT-Live, xAIs Grok Voice Think Fast 2.0. Die dritte ist audiovisueller Voll-duplex, bei dem sich Wahrnehmung und Ausdruck kontinuierlich über Video und Audio erstrecken.

SeedRealtime ist das erste Modell der dritten Stufe, das eine kommerzielle Bereitstellung in großem Maßstab erreicht. Realtime-Venus ist ein Open-Weights-Neuankömmling auf derselben Stufe – Video über einen SigLIP2-Encoder, Audio über Whisper-Medium, ein Qwen3-8B-Backbone und eine Ein-Sekunden-Interaktionsschleife, die nie aufhört wahrzunehmen. In seiner Modellkarte heißt es, es sei von MiniCPM-o 4.5 abgeleitet, dem omni-modalen Modell von OpenBMB, das früher im Jahr 2026 veröffentlicht wurde, was den Beitrag von Ant Group im Post-Training und in der Laufzeitumgebung statt in der Basisarchitektur verortet.

Was sie gemeinsam haben – und was sie eine Stufe über die Nur-Audio-Systeme hebt –, ist, dass keines von beiden innehält, um zu schauen. Kontinuierliche visuelle Wahrnehmung während des Sprechens ist eine wirklich andere Fähigkeit als das Beschreiben eines einzelnen Bildes, und beide Modelle wurden darum herum entwickelt.

Was die Zahlen jedes Einzelnen wert sind

Keines der beiden Modelle hat einen Benchmark von Drittanbietern. Die Belege sind jedoch nicht gleichwertig, und der Unterschied ist wichtig.

• SeedRealtime veröffentlicht überhaupt keinen Benchmark. Was ByteDance bietet, ist die Behauptung, dass Probleme mit dem Dialogrhythmus – den Nutzer zu übersprechen, zu spät zu antworten, durch die Geräusche eines Fremden ausgelöst zu werden – im Vergleich zu einem Kaskadensystem um ungefähr die Hälfte zurückgehen, basierend auf End-to-End-Bewertungen durch Menschen. Die zugrunde liegenden Daten werden nicht veröffentlicht.

• Die Zahlen des Vorgängers sind von derselben Art. Seeduplex, das reine Audiomodell, das ByteDance im April 2026 in Doubao ausgeliefert hat, soll laut Berichten die Raten falscher Antworten und falscher Unterbrechungen halbiert, die Endpunkt-Latenz um rund 250 Millisekunden gesenkt, verfrühte Antworten um 40 % reduziert und die Anrufzufriedenheit in einem groß angelegten A/B-Test um 8,34 Punkte erhöht haben. Alles Herstellerangaben.

• Realtime-Venus veröffentlicht eine Tabelle. Der zugehörige Bericht beansprucht Bestwerte bei sechs von acht Video-Benchmarks, darunter StreamingBench 70,2, OVO-Bench 64,7 und Daily-Omni 81,3, und führt bei MMAU 78,0, MMAU-Pro 63,2, Llama Questions 83,8 und Speech CMMLU 67,8 für den Audio-Checkpoint.

• Beide sind nicht reproduziert. Eine veröffentlichte Tabelle, die niemand geprüft hat, und ein unveröffentlichter A/B-Test, den niemand prüfen kann, sind unterschiedliche Arten von Nichtverifiziertem. Keines von beiden ist ein Beleg, auf dem man eine Beschaffungsentscheidung aufbauen könnte.

Der einzige Vergleich, der sich innerhalb der Realtime-Venus-Zahlen lohnt, ist der gegen die eigene Basis. MiniCPM-o 4.5 meldet 80,2 auf Daily-Omni; Realtime-Venus-Omni meldet 81,3. Ein Zugewinn von einem Punkt gegenüber dem Modell, von dem es adaptiert wurde, bei einem Benchmark, den dieses Modell bereits bewältigte, ist ein plausibles Ergebnis für einen Post-Training- und Laufzeit-Aufwand — und eine viel kleinere Behauptung, als „Bestwerte in sechs von acht“ für sich genommen klingt.

Das Turn-Taking-Problem, das dort liegt, wo Full-Duplex zu Hause ist

Vollduplex ist keine Latenzfunktion. Es ist eine Reihe von Verhaltensweisen: zu wissen, wann eine Pause „Ich denke nach“ statt „Ich bin fertig“ bedeutet; das Gespräch eines Umstehenden von der Person, die mit dir spricht, zu unterscheiden; und während eines Backchannels still zu bleiben, statt „mm-hm“ als Unterbrechung zu behandeln.

SeedRealtimes Ansatz besteht darin, den Gesprächszustand nativ zu modellieren und den externen Voice-Activity-Detektor vollständig wegzulassen, sodass Turn-Taking ein erlerntes Verhalten innerhalb des Netzwerks ist und nicht eine auf einen Audiostream angewandte Schwelle. Das ist dieselbe architektonische Verpflichtung, die Realtime-Venus eingeht, und beide stehen im Gegensatz zu den Kaskadensystemen, die eine separate Komponente benötigen, um zu entscheiden, wer spricht.

Der Unterschied in der Beweislage besteht darin, dass SeedRealtimes Behauptung den Einsatz im großen Maßstab betrifft – Hunderte Millionen Nutzer, echte Räume, echte Geräusche –, während die von Realtime-Venus einen Benchmark betrifft. Die Ergebnisse des Full-Duplex-Bench v1.5 für Realtime-Venus-Audio – 75 % Reaktion auf Unterbrechungen, Fortsetzung von 97 % bei Backchannels, 88 % bei fremdgerichteter Sprache und 86 % bei Hintergrundsprache, womit Gemini 3.1 Live und GPT-4o bei der Fortsetzung übertroffen werden – sind die direkt relevantesten Zahlen, die eines der beiden Modelle für dieses Problem veröffentlicht hat. Sie sind auch vollständig selbst gemeldet, und 97 % Fortsetzung bei Backchannels ist eine bemerkenswerte Zahl, die eine zweite Überprüfung verdient, bevor jemand sie als Tatsache zitiert.

Wo jeder Einzelne einen Baumeister hinterlässt

Die praktische Lücke ist nicht die Qualität, sondern die Form des Angebots.

• SeedRealtime — du kannst es in Doubao kostenlos erleben und es niemals integrieren. Es gibt keinen Weg von „Das ist beeindruckend“ zu „Das ist in meinem Produkt“.

• Realtime-Venus — du kannst es herunterladen, feinabstimmen, im Air-Gap-Modus betreiben und jede Schicht inspizieren. Der Preis dafür sind zwei 9B-Checkpoints in BF16 mit jeweils rund achtzehn Gigabyte an Gewichten, plus eine kontinuierliche sekündliche Streaming-Schleife, was einen GPU-Knoten bedeutet, der abgerechnet wird, egal ob jemand Anfragen stellt.

• Keines der beiden hat eine gehostete Option. Keines der beiden lässt sich mit einem Schlüssel und einem Nachmittag ausprobieren.

Der letzte Punkt ist der Grund, warum die beiden Modelle als Paar nützlicher sind als als Gegner. Zusammen zeigen sie, dass beide Hälften des Problems gelöst sind – die Fähigkeit funktioniert und die Gewichte können freigegeben werden –, während sie deutlich machen, dass noch niemand sie zu etwas zusammengefügt hat, das ein Entwickler tatsächlich aufrufen kann.

Es gibt einen Workaround, zu dem viele Teams greifen werden, und es lohnt sich, klarzustellen, was er abdeckt und was nicht. Wenn Sie die Voice-Ebene nicht bekommen können, können Sie trotzdem den Teil bauen, der denkt. Realtime-Venus delegiert seine teure Arbeit – Retrieval, anspruchsvolles Reasoning, Business-API-Aufrufe – über asynchrone Delegationsmarker an ein Hintergrund-Harness, und dieser delegierte Teil ist gewöhnliche Textinferenz. OrcaRouter bietet weder Realtime-Venus noch SeedRealtime an; beide Duplex-Ebenen liegen außerhalb dessen, was wir anbieten, und wir hosten keine von beiden.Fast 200 Textmodelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag sind die Hälfte der Architektur, die wir abdecken, mit automatischem Failover, damit eine Hintergrundaufgabe nicht fehlschlägt, weil ein Upstream einen schlechten Nachmittag hatte, eine Routing-DSL, um mehrere Modelle in einem Aufruf zu kombinieren, und Modellfusion, bei der das Urteilsvermögen eines einzelnen Modells nicht ausreicht. Es ist nicht der Teil dieser Systeme, der schwierig ist. Es ist der Teil, der tatsächlich käuflich ist.

Was würde diesen Vergleich ändern?

Drei Entwicklungen würden die Sache entscheiden, und keine davon ist bisher eingetreten. Ein unabhängiger Benchmark für Realtime-Venus, denn eine Tabelle ohne zweiten Leser ist eine Behauptung und kein Ergebnis. Eine API für SeedRealtime, denn das Modell mit den stärksten Belegen für den Einsatz ist derzeit dasjenige, das niemand nutzen kann. Und eine veröffentlichte Latenzangabe von einem der beiden – time-to-first-audio ist die Kennzahl, nach der diese Kategorie gekauft wird, und zum Zeitpunkt dieses Textes hat keines der beiden Modelle eine genannt.

Bis dahin ist die ehrliche Zusammenfassung, dass SeedRealtime der Beweis dafür ist, dass audio-visuelles Full-Duplex im Consumer-Maßstab funktioniert, und Realtime-Venus der Beweis dafür ist, dass die Gewichte geöffnet werden können, und keine dieser Tatsachen bringt einen Entwickler auch nur einen Schritt näher daran, ein Produkt auszuliefern. Das ist keine Kritik an einem der beiden Labore. Es ist die Beschreibung einer Kategorie, die das Forschungsproblem gelöst hat und noch nicht das Distributionsproblem.