כרטיס כותרת שנוצר עבור המאמר ״Avatar 6 vs Realtime Venus״, עם קיקר בנוסח ״השוואת מודלי AVATAR״, הכותרת הגדולה ״Avatar 6 vs Realtime Venus״, כתובית המשנה ״מרנדר ומאזין, שהושוו בטעות״, ושלושה כרטיסים בצורת גלולה עם הכיתוב ״וידאו, עד 2K״, ״דיבור, Apache-2.0״ ו״תפקידים שונים״.
Engineering & Research

Avatar 6 מול Realtime Venus: רנדרר ומאזין, בהשוואה מוטעית

מחבר

Elias Hawthorne

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

שימו את Avatar 6 ואת Realtime Venus באותו משפט, והדבר הראשון שצריך לומר הוא שאחד מהם לא יכול להראות לכם פנים. Realtime Venus הוא מודל אינטראקציה דופלקס מלא של Ant Group — מערכת 9B שמקשיבה בזמן שהיא מדברת, מבינה צליל בהקשר של מה שהיא רואה, ומאצילה עבודה ברקע. הפלטים שלה הם דיבור והחלטות. היא לא מייצרת וידאו, לא מרנדרת מגיש, ואין לה מושג של תמונת ייחוס. Avatar 6, ש-HeyGen השיקה ב-17 בנובמבר 2026, עושה בדיוק דבר אחד: הוא מנפיש אדם מתוך תמונה או קליפ קצר, על בסיס אודיו שאתם מספקים, ומחזיר וידאו באיכות של עד 2K.

אז ההשוואה היא שגיאת קטגוריה, והגרסה המועילה שלה היא שאלת תכנון. אם אתם בונים משהו שבו אדם מופיע על המסך וממלא את חלקו בשיחה, אתם זקוקים לשני סוגי מערכות, וההחלטה החשובה היא איזה צד של הסטאק נמצא בבעלותכם. שם השניים מתפצלים בחדות — אחד אפשר להוריד, ואת השני אפשר רק לשכור.

שני תיקי ראיות, שניהם כנים לגבי מגבלותיהם

Realtime Venus מגיע כפי שמחקר פתוח מגיע: דו"ח arXiv ‏(2609.13814), משקולות Apache-2.0 ב-Hugging Face תחת inclusionAI/Realtime-Venus, שני צ'קפוינטים של 9B, ועמוד פרויקט עם הדגמות. לא היה פוסט השקה, לא API, לא מחיר ולא בנצ'מרק שאדם חיצוני שחזר. כל מספר שמיוחס לו מגיע מהדו"ח הטכני שהמחברים כתבו על המודל שלהם.

Avatar 6 מגיע עם המערך ההפוך: דף מוצר, שני מזהים, נקודת קצה REST, מסלול חינמי ודוח טכני שמחקרי ההעדפה שלו כולם הורצו על ידי HeyGen על המדרגים של HeyGen. יש לו דבר אחד שלוונוס אין — מדידה חיצונית. הזירה העיוורת של New Measure, שפורסמה ב-18 בנובמבר, הציבה אותו ראשון בשני הלוחות שלה באלואו 1,197 ו-1,237, על קטעים שאורכם לא עולה על 35 שניות.

קראו את שני נתוני הכותרת כטענות ולא כממצאים. הנתון 84.4% של HeyGen הוא שיעור ניצחון של 42.2% בהשוואה זה־מול־זה, שהותאם מחדש מול בסיס של 50%; מחקר הקליפ הבודד שלה עצמה מעמיד את Avatar 6 על 65.1% שנשפטו כאמיתיים, לעומת 78.9% עבור צילום לא ערוך. הנתון 97% של Venus להמשכיות ערוץ־משנה מגיע מ-Full-Duplex-Bench v1.5, פרוטוקול שהמחברים שלו בחרו בו. אף אחד מהמספרים אינו שקרי, ואף אחד מהם לא שוחזר על ידי צד שאין לו מה למכור — אם כי Avatar 6 לפחות זכה להצבעות של זרים, חצי דקה בכל פעם.

A generated two-column scoreboard titled 'Avatar 6 vs Realtime Venus — the scoreboard'. Left column 'Avatar 6': Backbone undisclosed; Input reference media plus audio; Output video up to 2880x1620; Turn-taking none, it performs a script; Duration 25-28 min demonstrated; Access and licence HeyGen credits. Right column 'Realtime Venus': Backbone 9B omni: SigLIP2, Whisper-Medium, Qwen3-8B; Input continuous audio and video streams; Output speech and text, no pixels; Turn-taking full duplex, 97% backchannel; Duration a running session, 40,960-token context; Access and licence Apache-2.0 weights. The footer reads 'Venus scores self-reported in arXiv 2609.13814. Avatar 6 per HeyGen plus New Measure.'

ממה מורכבת כל מערכת

• Backbone — Avatar 6: לא נחשף; HeyGen מתארת אותו כמודל האווטאר החכם ביותר שלה ואינה מתעדת ארכיטקטורה. Realtime Venus: מודל Omni עם 9B, עם ראייה SigLIP2, אודיו Whisper-Medium ועמוד שדרה לשוני Qwen3-8B, שהותאם מ-MiniCPM-o 4.5 לפי כרטיס המודל.

• מודאליות נכנסת — Avatar 6: תמונת ייחוס אחת או סרטון ייחוס אחד בתוספת אודיו של דיבור. Realtime Venus: זרמי אודיו ווידאו רציפים, בתוספת הקשר של משימה מואצלת.

• מודאליות פלט — Avatar 6: וידאו עם דיבור מסונכרן, עד 2880×1620 דרך ה-Model API. Realtime Venus: דיבור, טקסט ואותות בקרה; ללא פיקסלים.

• משך — Avatar 6: באורך האודיו כולו, כאשר הודגמו רינדורים רציפים של 25 עד 28 דקות. Realtime Venus: הפעלה שוטפת, עם הקשר של 40,960 טוקנים וזיכרון וידאו ארוך ללא אימון שמאחסן ומאחזר פריימים נבחרים.

• חילופי תורות — Avatar 6: אין. הוא מבצע תסריט; אין מי שיפריע. Realtime Venus: דופלקס מלא, עם תגובה מדודה להפרעות והיכולת להמשיך לדבר דרך ערוץ משני.

• גישה — Avatar 6:‏ REST API, מותנה בהסכמה, מחויב בקרדיטים של HeyGen. Realtime Venus: משקלים ב-Hugging Face וב-ModelScope, ללא נקודת קצה מתארחת, ללא מחיר.

• רישיון — Avatar 6: תנאים מסחריים במסגרת החשבון של HeyGen. Realtime Venus: Apache-2.0.

השורה האחרונה היא זו שמארגנת מחדש את ההשוואה. Avatar 6 הוא שירות. Realtime Venus הוא מודל. כל השאר נובע מכך.

A screenshot of HeyGen's research page for 'Avatar 6: Talking Avatars That Are More Like You', dated 17 November 2026 and marked a 17-minute read, with the abstract stating that Avatar 6 reproduces how a person looks, speaks and moves from a single photo, up to 2K, with no length limit.

ההבדל ברכש הוא ההבדל האמיתי

אם אתם רוצים את Realtime Venus בפרודקשן, אתם מורידים אותו, מקצים GPUs, ונושאים בבעיית ההגשה בעצמכם. שני צ'קפוינטים של 9B, BF16, ייצוא ONNX לצד ה-safetensors, APK לאנדרואיד לניסויים על המכשיר, ומאגר harness נפרד ללולאת ההאצלה. אף אחד לא ישלח לכם חשבון ואף אחד לא יוציא משימוש את נקודת הקצה שלכם, אבל אף אחד גם לא יתקן את הלטנסי שלכם. עבור צוות מחקר זה יתרון. עבור צוות מוצר זה רבעון של עבודה לפני הפלט השימושי הראשון.

אם ברצונך להשתמש ב-Avatar 6 בפרודקשן, נרשמים, מקבלים מפתח וקוראים ל-POST /v3/models/avatars עם תמונת ייחוס וכתובת URL של אודיו. מקבלים בחזרה video_id בתגובת 202, מבצעים polling, ומופיע URL חתום. תהליך ההסכמה כבד יותר ממה שרוב הספקים דורשים — סרטון ייחוס אנושי ריאלי דורש גישת Enterprise והצהרה מול המצלמה הכוללת קוד חד-פעמי ייחודי לסשן — אבל האינטגרציה היא עניין של אחר צהריים, לא רבעון.

מה שאי אפשר לעשות עם Avatar 6 הוא לתמחר אותו לפי יחידה. HeyGen מפרסמת 0.02 דולר לשנייה עבור HeyGen Video 1, ושום דבר מקביל עבור Avatar 6; עמוד התמחור הציבורי מוכר את Creator ב-29 דולר לחודש עבור 600 קרדיטים ואת Pro ב-49 דולר לחודש עבור 1,000 קרדיטים, בלי לפרסם המרה מקרדיטים לשניות. ל-Realtime Venus יש את הבעיה ההפוכה: העלות השולית של שיחה היא חשבון החשמל שלך, והעלות הקבועה היא כרטיס GPU שצריך להצדיק בפני מישהו.

היכן שהשניים בעצם ייפגשו

תארו לעצמכם את המוצר ששניהם רכיבים שלו: אדם שואל שאלה בקול, משהו מחליט מה לומר, ופנים אומרות את זה בחזרה עם ההבעה הנכונה ומחווה על המילה החשובה. Realtime Venus מכסה את שני השלבים הראשונים — היא שומעת אותך, מחליטה מתי לדבר, ויכולה להמשיך להקשיב בזמן שהיא מדברת. Avatar 6 מכסה את האחרון, ועושה זאת טוב יותר מכל דבר אחר שניתן לרכוש כיום, לפי הוועדה העצמאית היחידה שבדקה.

הבעיה היא בתפר. Avatar 6 רוצה קובץ אודיו שלם — הווידאו נמשך באורך האודיו שמוסרים לו, ואין מצב סטרימינג, אין קלט אודיו חלקי, ואין דרך להוסיף. Realtime Venus מפיק דיבור באופן הדרגתי, ככל שהשיחה מתקדמת. לחבר ביניהם משמעו לצבור את הפלט של Venus למבע מוגמר, לשלוח אותו ל-HeyGen, להמתין לרינדור שהזירה העצמאית מדדה ב-175.6 שניות טיפוסיות, ולנגן וידאו שנוצר אחרי שהרגע כבר חלף. זו אינה שיחה. זו שיחה בהזמנת דואר.

בשביל הגרסה בזמן אמת צריך מנוע רינדור שמייצר וידאו עם הגעת הדיבור, וזה מוצר אחר. Muse Realtime Avatar של Meta הוא הדוגמה המסחרית הקרובה ביותר; Tavus Griffin, בתצוגת מחקר, הוא דוגמה נוספת. Avatar 6 אינו כזה, ו-HeyGen מעולם לא טענה שכן — תקציב ההשהיה שלה הוא תקציב אצווה, והנתונים של הארנה מאשרים זאת: אחד מכל עשרה רינדורים של אווטאר אישי ב-HeyGen ארך יותר מתשע וחצי דקות.

מה ש-Venus מודדת ששום דבר אחר כאן לא מודד

המספרים המעניינים בדוח של Venus אינם ציוני איכות. הם מספרים התנהגותיים, והם מתארים בעיה שלא קיימת אצל Avatar 6, מפני ש-Avatar 6 אינו מקשיב.

Full-Duplex-Bench v1.5 מציב את שיעור ההמשכיות ב-97% עבור תגובות גיבוי של המשתמש, 88% עבור דיבור המופנה לאחרים, ו-86% עבור דיבור רקע, עם שיעור תגובה נפרד של 75% להפרעות אמיתיות. הנקודה של ארבעת המספרים האלה יחד היא שהמודל מבדיל בין "ממ-הם" ל"רגע, עצור" — הוא ממשיך דרך הראשון ונכנע לשני. תוצאות ההבנה עומדות על 70.2% ב-StreamingBench, 64.7% ב-OVO-Bench, 81.3% ב-Daily-Omni ו-78.0% ב-MMAU audio. דיוק ההאצלה בבנצ'מרק הפנימי של הצוות הוא 75.93% עבור נקודת הביקורת Omni ו-68.89% עבור זו של Audio, אשר מודד אם המודל מחליט נכון להעביר משימה הלאה, ולא אם המשימה מצליחה.

אלה יעדי הנדסה שימושיים לכל מי שבונה סוכן שיחתי, והם לא שוחזרו. הקריאה הישרה היא ש-Venus היא בסיס פתוח אמין להתנהגות דופלקס מלא, שפורסמה עם המשקלים שלה כדי שניתן יהיה לבדוק את הטענה, ושאף אחד מחוץ ל-Ant Group ול-Tsinghua לא פרסם בדיקה.

היכן נמצא OrcaRouter

אף אחד מהשניים אינו שלנו למכירה. Realtime Venus הוא משקלים ומאמר, ושאין מאחוריהם שום דבר שמקשיב; Avatar 6 הוא הרנדרר של HeyGen, שכפוף לתהליך ההסכמה של HeyGen ומשולם בקרדיטים של HeyGen. פיץ׳ של ניתוב שיטשטש את אחד מהגבולות האלה יהיה שקר, והוא מהסוג שעולה כבר בספרינט הראשון שלך ולא במצגת מכירות.

מה שאנחנו כן מספקים הוא חלק ההסקה המואצלת ששתי הארכיטקטורות תלויות בו. העיצוב של Venus עצמו מנתב משימות רקע למודל מולטימודלי, למודל כללי או למיומנות רשומה; התסריט של Avatar 6 חייב להיכתב על ידי משהו. השכבה הזו היא המקום שבו מפתח יחיד ל-200+ מודלים, במחיר המחירון של הספק ללא תוספת, ועם מעבר אוטומטי לגיבוי, ממש חוסך עבודה — כי זהו החלק היחיד בכל אחד מהצינורות שבו יש לך אפשרות לבחור ספק.

A screenshot of the OrcaRouter Models page, showing the filter sidebar and the header reading 226 models, with the tabs All 226, Cyber 11, Text 190 and Image 12.

הקריאה ששורדת מפגש עם מפת דרכים

אם הבעיה שלך היא "אנחנו צריכים מגיש על המסך שאומר את המילים שלנו, בהיקף רחב, ברבעון הזה", Avatar 6 היא התשובה ו-Realtime Venus לא נמצאת בתמונה. קבל את שלושת הלא-ידועים — אין מחיר מפורסם לשנייה, אין בדיקה עצמאית מעבר ל-35 שניות, וזמן רינדור טיפוסי הנמדד בדקות — וצא איתו לפיילוט.

אם הבעיה שלך היא "אנחנו צריכים משהו שמסוגל לנהל שיחה מדוברת ולהחליט מתי לדבר", הרי ש-Realtime Venus הוא בסיס פתוח רציני ו-Avatar 6 אינו רלוונטי, כי אין לו אוזניים. קח את המשקולות ברישיון Apache-2.0, תכנן את עלות ההגשה, והתייחס לכל ציון מדווח כאל ציון של המחברים עצמם עד שמישהו ישחזר אותו.

אם הבעיה שלך היא „שניהם” — פנים שמנהלות שיחה — אף אחד מאלה אינו המוצר, והפער ביניהם הוא המקום שבו יוכרעו שנים-עשר החודשים הבאים של הקטגוריה הזו. המרנדר שמזרים, מונע על ידי מאזין שמחליט, במחיר שאפשר למדל: אף אחד עוד לא השיק את זה. כשמישהו יעשה זאת, הדף הזה יצטרך להיכתב מחדש.