Duo-1.0-causal-base: 153 GB Bobot, Sebuah Makalah, dan Tanpa Posting Peluncuran

Pada 06.32 UTC tanggal 12 November, repositori Hugging Face bernama Duo-1.0-causal-base menerima commit pertamanya: 80 file, 153,46 GB, dan paket yang berisi backbone visi-bahasa, transformer difusi audiovisual, dua codec, pengenal ucapan, dan forced aligner. Makalah di baliknya telah muncul di arXiv sehari sebelumnya. Tiga repositori saudara menyusul dalam waktu dua puluh empat jam, salah satunya masih mengunggah pagi ini. Blok berita repositori itu sendiri, bertanggal 13 November, menyebut semuanya sebagai rilis. Hampir tidak ada pihak lain yang menyebutnya demikian. Tidak ada pos peluncuran, tidak ada endpoint yang dihosting, tidak ada halaman harga, dan tidak ada benchmark independen untuk Duo-1.0-causal-base yang dapat saya temukan — dan file lisensi yang berada di dalam 153 GB itu mengecualikan Uni Eropa, Inggris Raya, Korea Selatan, dan Amerika Serikat dari pemberian lisensinya.

Jadi ini bukan artikel peluncuran, karena tidak ada peluncuran. Ini juga bukan artikel bocoran, karena bobotnya publik, tanpa pembatasan akses, dan lengkap. Uraian berikut memisahkan dua hal yang sering kabur setiap kali sebuah lab riset merilis repositori alih-alih produk: apa yang sebenarnya ditetapkan oleh berkas-berkas dan makalahnya, dan apa yang belum dikonfirmasi siapa pun.

Apa yang tiba, dan dalam urutan apa?

Urutan tersebut dapat dibaca dari metadata repositori, yang penting karena itu satu-satunya catatan pihak pertama.

• Makalah — arXiv 2611.15131, Duo: Model Dunia Timbal Balik untuk Interaksi Dupleks Penuh, dua puluh penulis dari Hengyuan Cao hingga Zhenzhong Lan, diajukan pada 11 November 2026. Halaman makalah Hugging Face menunjukkan 27 upvote dan tidak ada liputan di luarnya.

• Bobot — empat repositori di bawah organisasi inclusionAI, yang menggambarkan dirinya sebagai rumah bagi inisiatif AGI Ant Group dan yang halaman proyeknya mencantumkan hak cipta Ant Research 2026. Duo-1.0-causal-base dan Duo-1.2-causal-base dibuat pada 06:30 dan 06:32 UTC pada 12 November; Duo-1.0-distill dua puluh lima detik lebih awal; Duo-1.0-distill-quant pagi ini pada 08:09 UTC.

• Kodenya — github.com/inclusionAI/Duo, Apache-2.0, dibuat pada 6 November tetapi hanya memuat tepat satu commit, dengan stempel waktu 09:13 UTC hari ini, serta enam bintang dan tanpa fork pada saat penulisan.

• Pernyataan tersebut — blok berita README, ketiga barisnya bertanggal 2026/11/13: makalah, pipeline streaming vLLM-Omni dan SGLang-Omni, serta bobot v1 plus kode inferensi offline.

Ukuran bundel adalah hal pertama yang dapat ditindaklanjuti oleh pembaca, karena ukuran-ukuran tersebut tidak dapat dipertukarkan.

• Duo-1.0-causal-base — 153,46 GB di 80 file. Bobot realisasi 69,07 GB, model Intent 66,73 GB, codec video dan audio 11,02 GB, stack ucapan 6,54 GB, dan adaptor 84,8 MB.

• Duo-1.2-causal-base — 153,46 GB di 80 file, hanya dijelaskan sebagai "peningkatan kualitas generasi," dengan varian terdistilasi dan terkuantisasinya dicantumkan sebagai segera hadir.

• Duo-1.0-distill — 2,78 GB, delapan file. Sebuah overlay, bukan model: ia diunduh ke direktori yang sama dengan bundel dasar dan menggantikan pengaturan sampler dengan Euler pada empat langkah dan flow shift 5,0, dibandingkan dengan lima puluh langkah pada 1,0 untuk basis.

• Duo-1.0-distill-quant — 47,03 GB. Overlay empat langkah yang sama dalam ModelOpt FP8 dengan penskalaan per kanal, dan kartu tersebut secara eksplisit menyatakan bahwa runtime harus mendukung format itu atau menawarkan jalur konversi.

Dua modul dan clock 708 milidetik

Arsitekturnya dapat dibaca dari file konfigurasi, yang merupakan lebih dari yang diberikan sebagian besar kartu model kepada Anda. Duo membagi pekerjaan menjadi dua.

Modul Intent dideklarasikan sebagai Qwen3VLForConditionalGeneration — 64 lapisan dengan hidden 5120, 64 kepala atensi dengan 8 kepala key-value, ukuran intermediate 25600, kosakata 151.936 token, dan menara visi 27 lapisan dengan ukuran patch 16. Shard-shard tersebut berjumlah total 66,71 GB bobot bfloat16. Itu adalah model visi-bahasa yang besar, dan kartu model tidak pernah menyatakan jumlah parameter, sehingga kelas ukurannya merupakan inferensi dari konfigurasi alih-alih angka dari vendor. Di atasnya terdapat adaptor LoRA dengan rank 8 dan alpha 16, yang menargetkan proyeksi query, key, value, dan output serta head model bahasa, dan empat token khusus yang dapat dilatih: <wait>, <blank>, <chunk_708>, dan <speak>.

Kumpulan token itu adalah keseluruhan gagasan dalam bentuk mini. Setiap potongan, modul Intent mengeluarkan entah <speak> dengan teks atau <wait> tanpa apa pun. Memutuskan kapan berbicara adalah prediksi yang terpisah dari memutuskan apa yang akan dikatakan, yang merupakan perbedaan antara model yang menjawab saat Anda berhenti dan model yang dapat menyela, menahan diam, atau terus berbicara saat Anda melakukannya.

Modul Realisasi adalah MiniMaxH3DiTModel: 50 lapisan pada 5376 tersembunyi, 56 kepala berukuran 128, lebar feed-forward 14336, patch 1×2×2, 24 kanal laten untuk video dan 32 untuk audio, serta penyempurna token dua lapis yang melipat keadaan tersembunyi modul Intent ke dalam pengondisian. Model ini diinisialisasi dari bobot MiniMax H3, dan berkas NOTICE menyebutkan lisensi hulu. Total shard adalah 66,28 GB di 535 tensor.

Jam yang menyatukan semuanya adalah angka yang layak dihafal. Interaksi berjalan dalam potongan 17 frame video pada 24 frame per detik — 708 milidetik. Setiap potongan dienkode sebagai lima laten video dengan pembagian frame 1-4-4-4-4, dan sebagai 2×29 laten audio, karena audio berjalan pada 40 laten per detik per kanal pada 32 kHz, satu setiap 25 milidetik. Pengodean posisional adalah RoPE tiga dimensi yang dikunci ke waktu pemutaran. Masker atensi dibangun sehingga tidak ada potongan yang dapat melihat media bersih dari masa depannya sendiri, yang membuat keseluruhan sistem bersifat kausal dan dapat dialirkan, alih-alih model difusi yang memerlukan klip jadi sebelum dapat dimulai.

Klaim latensi itu nyata, dan itu adalah klaim delapan-GPU.

Bagian streaming dalam makalah ini adalah hal paling konkret dalam rilis tersebut, dan paling sulit direproduksi pada perangkat keras yang dimiliki sebagian besar pembaca.

• Inferensi niat — 90 hingga 160 ms per potongan.

• Generasi laten gabungan pada 768×576 — 200 hingga 450 ms.

• Dekode streaming — sekitar 30 ms per grup empat frame.

• Overhead — sekitar 40 ms.

Total — 330 hingga 650 ms, terhadap target siklus 17/24 detik, dengan tambahan 708 ms penundaan pengambilan sampel jika ujaran berakhir di tengah jendela.

Angka-angka itu berasal dari tata letak delapan GPU. Modul Intent berjalan tensor-paralel di empat rank pada GPU 0–3 bersama pengenal ucapan; transformer difusi tersebar di kedelapan GPU, memilih paralelisme tensor atau sekuens per chunk berdasarkan mana yang meminimalkan waktu siklus di bawah batas memori; VAE streaming membagi secara spasial menjadi empat bagian pada GPU 4–7. GPU 0–3 menjalankan Intent untuk chunk k+1 sementara GPU 4–7 mendekode chunk k. Output dilepaskan sebagai satu frame anchor ditambah empat paket berisi empat frame, dan interval pemutaran terpendek, 1/24 detik pada sekitar 41,7 ms, sengaja dibuat lebih lama daripada 30 ms waktu dekode agar buffer dapat menyerap jitter.

Sekarang bandingkan persyaratan README dengan itu. Deployment offline referensi meminta dua GPU CUDA — satu untuk Intent dan codec, satu untuk Realization — dua lingkungan Python karena paket qwen-asr yang dipin membawa versi Transformers-nya sendiri, dan FFmpeg di path. Itulah konfigurasi yang benar-benar dijalankan oleh demo yang disertakan. Angka 330 hingga 650 ms mengasumsikan delapan GPU dengan model yang tidak disebutkan. Kedua angka itu jujur; keduanya menjawab pertanyaan yang berbeda, dan selisih di antara keduanya adalah jarak antara hasil makalah dan kotak yang dapat Anda bangun minggu ini.

93,3% adalah para penulis yang menilai ujian mereka sendiri

Evaluasi ini tidak biasa dalam suatu hal yang perlu dinyatakan sebelum persentasenya dikutip di mana pun.

Tiga puluh kasus dupleks waktu-nyata diputar ulang secara berdampingan pada garis waktu bersama dan dinilai pada kecepatan pemutaran normal dengan suara, terhadap enam kriteria biner dengan kondisi kegagalan tertulis: responsivitas konten, kepatuhan bahasa, keterpahaman tuturan, stabilitas identitas visual, sinkronisasi audiovisual, dan konsistensi emosional audiovisual. Dari 180 pemeriksaan, 168 lulus — 93,3%. Sembilan puluh dari sembilan puluh lulus pada kepatuhan bahasa, keterpahaman tuturan, dan stabilitas identitas visual secara gabungan. Konsistensi emosional mencapai 96,7%, keselarasan bibir 90,0%, dan responsivitas konten 73,3%, atau 22 dari 30.

Tiga hal berikut, dan hanya yang pertama yang menyanjung.

Pertama, 93,3% dari 180 pemeriksaan biner dengan kondisi kegagalan tertulis adalah klaim yang lebih dapat difalsifikasi daripada Elo papan peringkat, dan analisis kegagalannya sangat spesifik: lelucon dan komentar tidak langsung yang mengharuskan model membaca di balik kata-kata literal, serta maksud yang hanya dapat dipahami ketika ucapan dan video dibaca bersama — contoh dalam makalah adalah pengguna di dalam ruangan yang menyebutkan sepeda bersama saat mulai hujan, yang oleh model dianggap sebagai permintaan nasihat, bukan perubahan adegan.

Kedua, penilainya adalah para penulisnya. Tidak ada pelaksanaan oleh pihak ketiga, tidak ada studi berpasangan secara buta, tidak ada panel peninjau eksternal. Rubrik biner dengan ketentuan tertulis adalah instrumen yang tepat; menerapkannya pada keluaran Anda sendiri bukanlah verifikasi independen.

Ketiga, dan yang paling mencolok, tidak ada perbandingan baseline di mana pun dalam makalah. Satu-satunya kontras kuantitatif adalah ablasi pada sintesis data: selama urutan enam puluh detik yang terdiri dari sepuluh blok enam detik, baseline kehilangan 34,2 level luma pada blok kesembilan, sementara metode yang diusulkan stabil pada sekitar 99. Karya terkait — Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid — dibahas secara kualitatif tanpa angka perbandingan langsung. Makalah ini juga tidak pernah menyebutkan jumlah parameter atau volume data pelatihan. Jadi ringkasan yang jujur adalah bahwa Duo v1 telah diukur terhadap rubrik, bukan terhadap model lain.

Lisensi adalah bagian yang menentukan minggu Anda.

Ini adalah bagian yang mengubah keputusan pengadaan, dan bagian ini terkubur dalam file LICENSE berukuran 17 KB, bukan dalam prosa kartu model.

Bobotnya bukan Apache-2.0. Repositori kodenya ya; bobotnya tidak. Setiap checkpoint Duo membawa minimax-h3-community-license, karena modul Realization diinisialisasi dari MiniMax H3 dan lisensinya ikut bersama turunannya. Perjanjian di dalam bundel bertanggal 2 Agustus 2026 dan mendefinisikan "M​iniMax" sebagai Nanonoble Pte. Ltd.

Pemberian lisensinya dibatasi secara teritorial. “Wilayah yang Berlaku” berarti seluruh dunia kecuali Wilayah yang Dikecualikan, dan Wilayah yang Dikecualikan adalah Uni Eropa, Inggris Raya, Republik Korea, dan Amerika Serikat. Teks lisensi mengundang siapa pun di wilayah tersebut untuk menghubungi M​iniMax guna memperoleh lisensi “berdasarkan kontrol dan pagar pengaman yang kuat,” yang merupakan suatu jalur, bukan izin.

Secara praktis: sebuah kelompok riset di {{1}}Singapura, Swiss, Jepang, India, Brasil, atau Kanada{{/1}} dapat mengunduh dan menjalankan ini hari ini berdasarkan ketentuan yang dinyatakan. {{2}}Sebuah tim di San Francisco, London, Berlin, atau Seoul tidak dapat{{/2}}, berdasarkan pembacaan apa adanya atas berkas tersebut, dan seharusnya tidak menemukan hal itu pada akhir integrasi selama dua minggu. Asimetri itu juga menjadi alasan mengapa {{3}}lisensi — bukan benchmark — adalah hal yang perlu diperiksa sebelum Anda menjadwalkan apa pun{{/3}}.

Apa yang benar-benar bisa Anda jalankan hari ini

Jalur offline didokumentasikan dan singkat. Clone repositori, buat dua virtual environment — satu untuk Realization, satu untuk stack ucapan — unduh base bundle, salin configs/inference.example.json ke configs/inference.json, arahkan ke bobot dan dua executable Python, lalu jalankan run_demo.py --config configs/inference.json --port 4173. Antarmukanya adalah halaman browser di /video/index.html.

Untuk streaming, README menunjuk ke dua branch: vLLM-Omni, yang ditandai direkomendasikan, dan SGLang-Omni. Itulah jalur yang dijelaskan oleh angka-angka latensi, dan jalur yang membutuhkan tata letak delapan GPU.

Ada dua catatan tentang apa yang akan Anda lihat. Demo di halaman proyek diambil dari data pelatihan dan inferensi offline — hal itu disebutkan, dan ditambahkan bahwa hasil full-duplex waktu nyata "akan segera ditambahkan." Dan rilis ini secara eksplisit merupakan pratinjau: "Duo v1 adalah rilis pratinjau untuk peneliti," yang mendukung "percakapan audiovisual dasar," dengan v2 dijanjikan akan mengondisikan Realization langsung pada audio dan video pengguna untuk interaksi visual. Jika yang Anda minati adalah model yang mengamati Anda dan bereaksi terhadap objek, kemampuan itu tidak ada dalam rilis ini.

Siapa yang harus peduli minggu ini, dan siapa yang harus menunggu

• Penelitian interaksi full-duplex — ini adalah rilis terbuka paling konkret di kategori ini: sebuah makalah dengan anggaran latensi, clock chunk, resep distilasi, dan bobot yang benar-benar dapat diunduh. Distilasi dual-rollout — menjalankan modul Intent yang dibekukan lalu menghasilkan media dari output model itu sendiri, alih-alih dari riwayat yang direkam — adalah gagasan yang dapat ditransfer bahkan jika Anda tidak pernah menjalankan Duo.

• Tim yang membangun produk avatar atau pendamping — layak dibaca hanya karena kerangka 708 ms-nya. Angka itulah yang menentukan apakah sebuah interjeksi terasa seperti manusia atau sekadar lag, dan itu adalah batasan desain yang bisa Anda adopsi tanpa harus mengadopsi modelnya.

• Tim di wilayah yang dikecualikan — tunggu, dan perlakukan pembicaraan lisensi sebagai jalur kritis, bukan anggaran GPU.

• Siapa pun yang menginginkan API — ini bukan itu. Kartu model menyatakan secara jelas bahwa tidak ada penyedia inferensi yang melayaninya, dan tidak ada endpoint vendor.

Poin terakhir itulah tempat sebuah router benar-benar cocok dan tempat ia tidak cocok. OrcaRouter tidak menghosting Duo-1.0-causal-base dan tidak dapat merutekannya: tumpukan difusi dua modul berukuran 153 GB dengan clock chunk tetap 708 ms bukanlah target chat-completions, dan sebanyak apa pun perutean tidak mengubah itu. Yang dapat dirutekan adalah fallback berbasis giliran yang dikirim sebagian besar tim saat eksperimen duplex berjalan di balik flag — masukan suara, model bahasa, keluaran suara. Kaki keluaran suara dapat berupa model text-to-speech yang dihosting alih-alih proses lain pada dua GPU yang sama, dan melakukannya melalui satu API untuk lebih dari 200 model dengan harga daftar penyedia diteruskan pada markup 0% menjaga aritmetika biaya tetap tidak berubah saat vendor mengubah harga. Failover otomatis seharusnya berada pada kaki yang dihosting tersebut, bukan pada yang dihosting sendiri: itu menjaga demo tetap hidup saat penyedia goyah, dan tidak melakukan apa pun untuk tumpukan yang Anda jalankan di perangkat keras Anda sendiri.

Penggunaan jujur lainnya adalah disiplin evaluasi. Pertahankan jalur produksi pada model yang dapat Anda panggil, dan perlakukan Duo-1.0-causal-base sebagai eksperimen bench dengan rubrik tertulis — yang, mengingat satu-satunya rubrik yang ada diterapkan oleh para penulisnya, memang persis seperti itu.

Apa yang akan mengubah putusan?

Tiga hal, dalam urutan menaik berdasarkan seberapa besar pengaruhnya.

Pihak ketiga menilai enam kriteria pada prompt yang tidak dipilih oleh tim Duo. Rubriknya sudah dipublikasikan, sehingga murah bagi seseorang untuk melakukannya dan mahal bagi model jika responsivitas konten benar-benar 73.3% pada kasus yang belum pernah dilihat.

Endpoint yang dihosting atau resep penyajian yang tidak mengasumsikan delapan GPU. Demo offline dua-GPU dan klaim latensi delapan-GPU keduanya benar, dan celah di antara keduanya adalah tempat sebagian besar pembaca sebenarnya akan berada.

Ketentuan lisensi yang mencakup wilayah-wilayah yang dikecualikan. Tidak ada bagian dari arsitektur yang mengubah aritmetika itu, dan tidak ada peningkatan tolok ukur sebesar apa pun yang juga mengubahnya.

Sampai saat itu, deskripsi akurat untuk Duo-1.0-causal-base adalah ini: bundel riset lengkap tanpa pembatasan akses sebesar 153 GB dengan anggaran latensi yang nyata dan evaluasi yang dinilai sendiri, dirilis sebagai makalah dan repositori dengan baris berita bertanggal dan tanpa produk di baliknya. Itu lebih dari sekadar pracetak — bobotnya ada dan demonya berjalan — dan jauh lebih kecil daripada model yang bisa Anda jadikan dasar perencanaan satu kuartal. Pertanyaan terbuka bukanlah apakah Duo dapat melakukan percakapan dalam irisan 708 milidetik. Pertanyaannya adalah apakah orang di luar tim akan diizinkan untuk memeriksa.