Duo-1.0-causal-base: 153 GB de pesos, un artículo y ninguna publicación de lanzamiento

A las 06:32 UTC del 12 de noviembre, un repositorio de Hugging Face llamado Duo-1.0-causal-base recibió su commit inicial: 80 archivos, 153,46 GB y un paquete que contenía un backbone de visión-lenguaje, un transformer de difusión audiovisual, dos códecs, un reconocedor de voz y un alineador forzado. El artículo que lo respalda se había publicado en arXiv el día anterior. Tres repositorios hermanos le siguieron en menos de veinticuatro horas, y uno de ellos todavía se estaba subiendo esta mañana. El propio bloque de noticias del repositorio, fechado el 13 de noviembre, califica todo ello como un lanzamiento. Casi nada más lo hace. No hay ninguna publicación de lanzamiento, ningún endpoint alojado, ninguna página de precios y ningún benchmark independiente de Duo-1.0-causal-base que yo pueda encontrar — y el archivo de licencia que se encuentra dentro de esos 153 GB excluye de su concesión a la Unión Europea, el Reino Unido, Corea del Sur y Estados Unidos.

Así que esto no es un artículo de lanzamiento, porque no hubo lanzamiento. Tampoco es un artículo de filtración, porque los pesos son públicos, sin restricciones y completos. Lo que sigue separa las dos cosas que se difuminan cada vez que un laboratorio de investigación publica un repositorio en lugar de un producto: lo que los archivos y el artículo establecen realmente, y lo que nadie ha confirmado todavía.

Qué llegó, y en qué orden

La secuencia se puede leer a partir de los metadatos del repositorio, lo cual importa porque es el único registro de primera mano.

• El artículo — arXiv 2611.15131, Duo: un modelo del mundo recíproco para la interacción full-duplex, veinte autores desde Hengyuan Cao hasta Zhenzhong Lan, presentado el 11 de noviembre de 2026. La página del artículo en Hugging Face muestra 27 votos positivos y ninguna cobertura más allá de esta.

• Los pesos: cuatro repositorios bajo la organización inclusionAI, que se describe a sí misma como la sede de la iniciativa AGI de Ant Group y cuya página del proyecto incluye un aviso de copyright de Ant Research de 2026. Duo-1.0-causal-base y Duo-1.2-causal-base se crearon a las 06:30 y 06:32 UTC del 12 de noviembre; Duo-1.0-distill, veinticinco segundos antes; Duo-1.0-distill-quant, esta mañana a las 08:09 UTC.

• El código — github.com/inclusionAI/Duo, Apache-2.0, creado el 6 de noviembre pero con exactamente un commit, con hora 09:13 UTC de hoy, con seis estrellas y ningún fork en el momento de redactar esto.

• La declaración — el bloque de noticias del README, las tres líneas con fecha 2026/11/13: el artículo, los pipelines de streaming de vLLM-Omni y SGLang-Omni, y los pesos v1 más el código de inferencia offline.

Los tamaños de los paquetes son lo primero sobre lo que un lector puede actuar, porque no son intercambiables.

• Duo-1.0-causal-base — 153,46 GB en 80 archivos. Pesos de Realization 69,07 GB, modelo Intent 66,73 GB, códecs de vídeo y audio 11,02 GB, pila de voz 6,54 GB y un adaptador de 84,8 MB.

• Duo-1.2-causal-base — 153.46 GB en 80 archivos, descrito únicamente como «mejor calidad de generación», con sus variantes destiladas y cuantizadas indicadas como próximamente.

• Duo-1.0-distill — 2,78 GB, ocho archivos. Una superposición, no un modelo: se descarga en el mismo directorio que el paquete base y reemplaza los ajustes del muestreador por Euler con cuatro pasos y un desplazamiento de flujo de 5,0, frente a cincuenta pasos con 1,0 para la base.

• Duo-1.0-distill-quant — 47.03 GB. La misma superposición de cuatro pasos en ModelOpt FP8 con escalado por canal, y la ficha indica explícitamente que el entorno de ejecución debe admitir ese formato u ofrecer una ruta de conversión.

Dos módulos y un reloj de 708 milisegundos

La arquitectura se puede deducir de los archivos de configuración, lo cual es más de lo que ofrecen la mayoría de las fichas de modelo. Duo divide la tarea en dos.

El módulo Intent se declara como Qwen3VLForConditionalGeneration: 64 capas con 5120 de dimensión oculta, 64 cabezas de atención con 8 cabezas clave-valor, un tamaño intermedio de 25600, un vocabulario de 151,936 tokens y una torre de visión de 27 capas con un tamaño de parche de 16. Los shards suman 66.71 GB de pesos bfloat16. Es un modelo grande de visión-lenguaje, y la tarjeta nunca indica un recuento de parámetros, por lo que la clase de tamaño es una inferencia a partir de la configuración y no una cifra del proveedor. Sobre él se asienta un adaptador LoRA con rango 8 y alfa 16, dirigido a las proyecciones de consulta, clave, valor y salida, además de la cabeza del modelo de lenguaje, y cuatro tokens especiales entrenables: <wait>, <blank>, <chunk_708> y <speak>.

Ese conjunto de tokens es toda la idea en miniatura. En cada fragmento, el módulo Intent emite <speak> con texto o <wait> sin nada. Decidir cuándo hablar es una predicción separada de decidir qué decir, que es la diferencia entre un modelo que responde cuando te callas y uno que puede intervenir, mantener el silencio o seguir hablando mientras tú hablas.

El módulo Realization es un MiniMaxH3DiTModel: 50 capas con 5376 de dimensión oculta, 56 cabezas de dimensión 128, una anchura de feed-forward de 14336, un parche de 1×2×2, 24 canales latentes para vídeo y 32 para audio, y un refinador de tokens de dos capas que integra los estados ocultos del módulo Intent en el acondicionamiento. Se inicializa a partir de los pesos de MiniMax H3, y el archivo NOTICE indica la licencia upstream. Los fragmentos suman 66.28 GB repartidos en 535 tensores.

El reloj que los une es el número que vale la pena memorizar. La interacción se ejecuta en bloques de 17 fotogramas de video a 24 fotogramas por segundo: 708 milisegundos. Cada bloque se codifica como cinco latentes de video con una división de fotogramas 1-4-4-4-4, y como 2×29 latentes de audio, porque el audio se ejecuta a 40 latentes por segundo por canal a 32 kHz, uno cada 25 milisegundos. La codificación posicional es RoPE tridimensional vinculada al tiempo de reproducción. Las máscaras de atención se construyen de modo que ningún bloque pueda ver los medios limpios de su propio futuro, lo que hace que todo el proceso sea causal y apto para streaming en lugar de un modelo de difusión que necesita el clip terminado antes de poder empezar.

La afirmación sobre la latencia es real, y es una afirmación de ocho GPU.

La sección sobre streaming del artículo es lo más concreto del lanzamiento, y lo menos reproducible en el hardware que tiene la mayoría de los lectores.

• Inferencia de intención — 90 a 160 ms por fragmento.

• Generación latente conjunta a 768×576 — de 200 a 450 ms.

• Decodificación en streaming — unos 30 ms por grupo de cuatro fotogramas.

• Sobrecarga — unos 40 ms.

• Total — de 330 a 650 ms, frente a un objetivo de ciclo de 17/24 de segundo, con un retardo adicional de muestreo de 708 ms si una emisión termina a mitad de la ventana.

Esos números provienen de una configuración de ocho GPU. El módulo Intent se ejecuta con paralelismo de tensores en cuatro rangos en las GPU 0–3 junto con el reconocedor de voz; el transformador de difusión se distribuye entre las ocho, eligiendo paralelismo de tensores o de secuencia por fragmento según cuál minimice el tiempo de ciclo bajo el límite de memoria; el VAE de transmisión se divide espacialmente en cuatro vías en las GPU 4–7. Las GPU 0–3 ejecutan Intent para el fragmento k+1 mientras que las GPU 4–7 decodifican el fragmento k. La salida se libera como un ancla de un fotograma más cuatro paquetes de cuatro fotogramas, y el intervalo de reproducción más corto, 1/24 de segundo a unos 41,7 ms, es deliberadamente más largo que los 30 ms de decodificación para que el búfer pueda absorber la fluctuación.

Ahora contrasta los requisitos del README con eso. La implementación offline de referencia pide dos GPU CUDA —una para Intent y los códecs, otra para Realization—, dos entornos de Python porque el paquete qwen-asr fijado arrastra su propia versión de Transformers, y FFmpeg en el PATH. Esa es la configuración que realmente ejecuta la demo distribuida. La cifra de 330 a 650 ms supone ocho GPU de un modelo no especificado. Ambos números son honestos; responden a preguntas distintas, y la brecha entre ellos es la distancia entre un resultado de artículo y un equipo que puedas montar esta semana.

El 93,3 % corresponde a los autores corrigiendo su propio examen.

La evaluación es inusual de una manera que merece señalarse antes de que se cite el porcentaje en cualquier lugar.

Se reprodujeron treinta casos dúplex en tiempo real en paralelo sobre una línea de tiempo compartida y se evaluaron a velocidad de reproducción normal y con sonido, conforme a seis criterios binarios con condiciones de fallo escritas: capacidad de respuesta al contenido, adherencia al idioma, inteligibilidad del habla, estabilidad de la identidad visual, sincronización audiovisual y consistencia emocional audiovisual. De 180 comprobaciones, 168 pasaron: 93,3 %. Noventa de noventa pasaron en la combinación de adherencia al idioma, inteligibilidad del habla y estabilidad de la identidad visual. La consistencia emocional alcanzó el 96,7 %, la alineación de labios el 90,0 % y la capacidad de respuesta al contenido el 73,3 %, es decir, 22 de 30.

A continuación vienen tres cosas, y solo la primera es halagadora.

En primer lugar, un 93,3 % en 180 comprobaciones binarias con condiciones de fallo escritas es una afirmación más falsable que el Elo de una tabla de clasificación, y el análisis de fallos es inusualmente específico: chistes y comentarios oblicuos que requieren que el modelo lea más allá de las palabras literales, y una intención que solo se resuelve cuando se leen juntos la voz y el vídeo —el ejemplo del artículo es un usuario en interiores que menciona una bicicleta compartida justo cuando empieza a llover, lo que el modelo trató como una solicitud de consejo en lugar de un cambio de escena.

En segundo lugar, los jueces son los autores. No hay una ejecución por parte de terceros, ni un estudio ciego de comparación por pares, ni un panel de revisores externos. Una rúbrica binaria con condiciones escritas es el instrumento adecuado; aplicarla a tus propios resultados no es una verificación independiente.

Tercero, y lo más revelador, no hay ninguna comparación de línea base en el artículo. El único contraste cuantitativo es una ablación sobre la síntesis de datos: a lo largo de una secuencia de sesenta segundos compuesta por diez bloques de seis segundos, la línea base pierde 34.2 niveles de luma al llegar al noveno bloque, mientras que el método propuesto se estabiliza en aproximadamente 99. El trabajo relacionado —Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid— se analiza cualitativamente sin cifras de comparación directa. El artículo tampoco especifica en ningún momento el número de parámetros ni los volúmenes de datos de entrenamiento. Por lo tanto, el resumen sincero es que Duo v1 se ha medido con una rúbrica, no contra otro modelo.

La licencia es la parte que decide tu semana.

Esta es la sección que cambia las decisiones de adquisición, y está {{1}}enterrada en un archivo LICENSE de 17 KB en lugar de en la prosa de la ficha del modelo{{/1}}.

Los pesos no son Apache-2.0. El repositorio de código sí; los pesos no. Cada checkpoint de Duo lleva minimax-h3-community-license, porque el módulo Realization se inicializó a partir de MiniMax H3 y la licencia acompaña a la obra derivada. El acuerdo dentro del paquete está fechado el 2 de agosto de 2026 y define "MiniMax" como Nanonoble Pte. Ltd.

Su concesión está limitada territorialmente. «Territorio Aplicable» significa todo el mundo excepto los Territorios Excluidos, y los Territorios Excluidos son la Unión Europea, el Reino Unido, la República de Corea y los Estados Unidos de América. El texto de la licencia invita a cualquier persona en esos territorios a ponerse en contacto con M​iniMax para obtener una licencia «basada en controles y salvaguardias sólidos», lo cual es una vía, no un permiso.

Prácticamente: un grupo de investigación en Singapur, Suiza, Japón, India, Brasil o Canadá puede descargar y ejecutar esto hoy mismo según los términos indicados. Un equipo en San Francisco, Londres, Berlín o Seúl no puede, según la lectura literal del archivo, y no debería descubrirlo al final de una integración de dos semanas. Esa asimetría es también la razón por la que la licencia —y no el benchmark— es lo que hay que comprobar antes de programar nada.

Lo que realmente puedes ejecutar hoy

La ruta sin conexión está documentada y es breve. Clona el repositorio, crea dos entornos virtuales —uno para Realization y otro para la pila de voz—, descarga un paquete base, copia configs/inference.example.json a configs/inference.json, apúntalo a los pesos y a los dos ejecutables de Python, y lanza run_demo.py --config configs/inference.json --port 4173. La interfaz es una página del navegador en /video/index.html.

Para streaming, el README señala dos ramas: vLLM-Omni, marcada como recomendada, y SGLang-Omni. Esa es la ruta que describen las cifras de latencia, y la que requiere la configuración de ocho GPU.

Dos advertencias sobre lo que verá. Las demostraciones de la página del proyecto proceden de datos de entrenamiento e inferencia sin conexión —así lo indica— y añade que los resultados en tiempo real a dúplex completo «se añadirán pronto». Además, el lanzamiento es explícitamente una vista previa: «Duo v1 es una versión preliminar para investigadores», que admite «conversación audiovisual básica», y se promete que la v2 condicionará Realization directamente al audio y el video del usuario para la interacción visual. Si lo que le interesa es un modelo que lo observe y reaccione a los objetos, esa capacidad no está incluida en esta entrega.

¿Quién debería prestar atención esta semana y quién debería esperar?

• Investigación de interacción dúplex completo: esta es la publicación abierta más concreta de la categoría: un artículo con un presupuesto de latencia, un reloj de fragmentos, una receta de destilación y pesos que realmente se descargan. La destilación con doble rollout —ejecutar el rollout del módulo Intent congelado y luego generar contenido multimedia a partir de las propias salidas del modelo, en lugar de a partir de un historial registrado— es la idea transferible aunque nunca ejecutes Duo.

• Equipos que desarrollan un producto de avatar o compañero: vale la pena leerlo solo por el planteamiento de los 708 ms. Ese es el número que decide si una interjección se percibe como una persona o como un retraso, y es una restricción de diseño que puedes adoptar sin adoptar el modelo.

• Equipos en los territorios excluidos: esperen, y traten la conversación sobre la licencia como la ruta crítica en lugar del presupuesto de GPU.

• Cualquiera que quiera una API: esto no es eso. La tarjeta del modelo indica claramente que ningún proveedor de inferencia lo está sirviendo, y no hay endpoint del proveedor.

Ese último punto es donde un enrutador encaja honestamente y donde no. OrcaRouter no aloja Duo-1.0-causal-base y no puede enrutarlo: una pila de difusión de dos módulos de 153 GB con un reloj de fragmentos fijo de 708 ms no es un objetivo de chat-completions, y ninguna cantidad de enrutamiento cambia eso. Lo que sí es enrutable es el fallback por turnos que la mayoría de los equipos despliegan mientras un experimento dúplex se ejecuta detrás de un indicador: voz de entrada, un modelo de lenguaje, voz de salida. El tramo de salida de voz puede ser un modelo de texto a voz alojado en lugar de otro proceso en las mismas dos GPU, y hacerlo a través de una sola API para más de 200 modelos con el precio de lista del proveedor transferido con un 0 % de margen mantiene la aritmética de costes sin cambios cuando un proveedor cambia un precio. La conmutación por error automática corresponde a esos tramos alojados, no al autoalojado: mantiene viva una demo cuando un proveedor flaquea, y no hace nada por una pila que ejecutas en tu propio hardware.

El otro uso honesto es la disciplina de evaluación. Mantén la ruta de producción sobre modelos a los que puedas llamar, y trata a Duo-1.0-causal-base como un experimento de banco con una rúbrica escrita —lo cual, dado que la única rúbrica existente fue aplicada por sus autores, es exactamente lo que es.

¿Qué cambiaría el veredicto?

Tres cosas, en orden ascendente de la importancia que tendrían.

Un tercero que puntúe los seis criterios sobre prompts que el equipo de Duo no eligió. La rúbrica ya está publicada, lo que hace que sea barato para alguien hacerlo y caro para el modelo si la capacidad de respuesta del contenido es realmente del 73,3 % en casos no vistos.

Un endpoint alojado o una receta de servicio que no dé por sentadas ocho GPU. La demo offline con dos GPU y la afirmación de latencia con ocho GPU son ciertas, y la brecha entre ambas es donde realmente se encontrará la mayoría de los lectores.

Términos de licencia que incluyen los territorios excluidos. Nada en la arquitectura cambia esa aritmética, y ninguna cantidad de mejora de los benchmarks lo hace tampoco.

Hasta entonces, la descripción precisa de Duo-1.0-causal-base es esta: un paquete de investigación completo, sin restricciones de acceso, de 153 GB, con un presupuesto real de latencia y una evaluación autopuntuada, publicado como un artículo y un repositorio con una línea de noticias fechada y ningún producto detrás. Eso es más que un preprint —los pesos están ahí y la demo funciona— y bastante menos que un modelo con el que puedas planificar un trimestre. La pregunta abierta no es si Duo puede mantener una conversación en fragmentos de 708 milisegundos. Es si se permitirá que alguien fuera del equipo lo compruebe.