Realtime-Venus vs SeedRealtime: Due modi opposti di essere non disponibile

Realtime-Venus e SeedRealtime sono le due metà della stessa storia del 2026, e falliscono test opposti. SeedRealtime è il modello full-duplex nativamente audio-visivo di ByteDance, attivato gratuitamente all'interno dell'app Doubao il 5 agosto 2026, raggiungendo un pubblico che il suo creatore descrive nell'ordine delle centinaia di milioni — senza API, senza identificatore di modello, senza prezzo e senza obiettivo di latenza. Realtime-Venus è una coppia di checkpoint da 9B del Venus Team di Ant Group e dell'Università Tsinghua, pubblicata il 12 settembre 2026 con licenza Apache-2.0, con un rapporto tecnico e nessun annuncio, che si trova in un repository che qualsiasi ingegnere può scaricare e che quasi nessuno può realisticamente mettere in produzione. Uno dei due non lo puoi chiamare. L'altro puoi scaricarlo e poi scoprire che non hai nulla su cui chiamarlo. Entrambi sono davvero all'avanguardia della stessa capacità, e nessuno dei due ha un benchmark che qualcuno al di fuori dei suoi stessi autori abbia riprodotto.

Due varianti di “non puoi averlo”

Vale la pena essere precisi, perché la frase "non disponibile" nasconde una differenza reale.

SeedRealtime è indisponibile nel modo in cui lo è un prodotto di consumo: esiste, funziona, ha utenti, e la porta è semplicemente chiusa agli sviluppatori. Non c'è alcuna API, nessun listino prezzi, nessun portale di documentazione e nessuna tempistica dichiarata per averne uno. La via di ByteDance al mercato è stata l'app, e l'app è stata sufficiente. Quello che ottieni come sviluppatore è una demo che puoi provare e non puoi integrare.

Realtime-Venus è indisponibile nel modo in cui lo è un artefatto di ricerca: i pesi sono pubblici, la licenza è permissiva, il codice c'è, e nessuno lo sta eseguendo. Il repository non è distribuito da alcun fornitore di inferenza, e i download non sono tracciati affatto, quindi non c'è alcun segnale pubblico di adozione in un senso o nell'altro. È disponibile nel senso che conta per un ricercatore e indisponibile nel senso che conta per un product manager.

Presi insieme, inquadrano la questione su cui questa intera categoria è attualmente bloccata: i modelli che funzionano sono dietro le app per i consumatori, e i modelli che puoi eseguire non sono in produzione da nessuna parte.

Entrambi sono nella fascia che contraddistingue davvero il 2026

Un modo utile per leggere il campo del tempo reale è su tre livelli. Il primo è la voce half-duplex con la visione agganciata — assistenti a turni che possono vedere ma continuano comunque a procedere a turni. Il secondo è l'audio full-duplex, che ascolta e parla allo stesso tempo senza telecamera: Seeduplex di ByteDance, GPT-Live di OpenAI, Grok Voice Think Fast 2.0 di xAI. Il terzo è il full-duplex audio-visivo, in cui percezione ed espressione coprono continuamente video e audio.

SeedRealtime è il primo modello del terzo livello a raggiungere una distribuzione commerciale su larga scala. Realtime-Venus è un nuovo arrivato open-weights allo stesso livello — video attraverso un encoder SigLIP2, audio attraverso Whisper-Medium, un backbone Qwen3-8B e un ciclo di interazione di un secondo che non smette mai di percepire. La sua model card afferma che è adattato da MiniCPM-o 4.5, il modello omni-modale di OpenBMB rilasciato all'inizio del 2026, il che colloca il contributo di Ant Group nel post-training e nel runtime piuttosto che nell'architettura di base.

Ciò che hanno in comune, e ciò che li colloca un gradino sopra i sistemi solo audio, è che nessuno dei due si ferma a guardare. La percezione visiva continua mentre si parla è una capacità realmente diversa dal descrivere un singolo fotogramma, ed entrambi i modelli sono stati costruiti attorno a essa.

Quanto valgono i numeri di ciascuno

Nessuno dei due modelli dispone di un benchmark di terze parti. Tuttavia, le prove non sono equivalenti, e la differenza è importante.

• SeedRealtime non pubblica alcun benchmark. Ciò che ByteDance offre è un'affermazione secondo cui i problemi di ritmo del dialogo — parlare sopra l'utente, rispondere in ritardo, essere attivato dal rumore di un estraneo — si riducono di circa la metà rispetto a un sistema a cascata, sulla base di valutazioni umane end-to-end. I dati sottostanti non sono pubblicati.

I numeri del predecessore sono della stessa forma. Seeduplex, il modello solo audio che ByteDance ha rilasciato in Doubao nell'aprile 2026, secondo quanto riferito avrebbe dimezzato i tassi di falsa risposta e falsa interruzione, ridotto la latenza di endpoint di circa 250 millisecondi, ridotto del 40% le risposte premature e aumentato di 8,34 punti la soddisfazione delle chiamate in un test A/B su larga scala. Tutti dati dichiarati dal fornitore.

• Realtime-Venus pubblica una tabella. Il suo report sostiene di aver ottenuto i migliori punteggi su sei degli otto benchmark video, tra cui StreamingBench 70.2, OVO-Bench 64.7 e Daily-Omni 81.3, ed è in testa su MMAU 78.0, MMAU-Pro 63.2, Llama Questions 83.8 e Speech CMMLU 67.8 per il checkpoint audio.

• Entrambi non sono stati riprodotti. Una tabella pubblicata che nessuno ha verificato e un A/B non pubblicato che nessuno può verificare sono tipi diversi di dato non verificato. Nessuno dei due è una prova su cui basare una decisione di acquisto.

L'unico confronto che vale la pena fare all'interno dei numeri di Realtime-Venus è quello con la sua stessa base. MiniCPM-o 4.5 riporta 80,2 su Daily-Omni; Realtime-Venus-Omni riporta 81,3. Un guadagno di un punto rispetto al modello da cui è stato adattato, su un benchmark che quel modello già gestiva, è un risultato plausibile per uno sforzo di post-training e runtime — e un'affermazione molto più modesta di quanto "migliore in sei casi su otto" non suoni di per sé.

Il problema dell'alternanza dei turni, che è dove risiede il full-duplex

Full-duplex non è una funzionalità di latenza. È un insieme di comportamenti: sapere quando una pausa significa "sto pensando" anziché "ho finito", distinguere la conversazione di un astante dalla persona che ti sta parlando, e restare in silenzio durante un backchannel invece di trattare "mm-hm" come un'interruzione.

L'approccio di SeedRealtime consiste nel modellare nativamente lo stato conversazionale ed eliminare del tutto il rilevatore esterno di attività vocale, così l'alternanza dei turni è un comportamento appreso all'interno della rete anziché una soglia applicata a un flusso audio. È lo stesso impegno architetturale che assume Realtime-Venus, ed entrambi si pongono in contrapposizione ai sistemi a cascata che richiedono una componente separata per decidere chi parla.

La differenza nelle prove sta nel fatto che l’affermazione di SeedRealtime riguarda il deployment su larga scala — centinaia di milioni di utenti, stanze reali, rumore reale — mentre quella di Realtime-Venus riguarda un benchmark. I risultati di Full-Duplex-Bench v1.5 per Realtime-Venus-Audio — 75% di risposta alle interruzioni, continuazione del 97% in presenza di backchannel, 88% con parlato rivolto ad altri e 86% con parlato in sottofondo, superando Gemini 3.1 Live e GPT-4o sulla continuazione — sono i numeri più direttamente rilevanti che entrambi i modelli abbiano pubblicato per questo problema. Sono anche interamente autodichiarati, e il 97% di continuazione in presenza di backchannel è una cifra sorprendente che merita una seconda lettura prima che qualcuno la citi come un fatto.

Dove ciascuno lascia un costruttore

Il divario pratico non è la qualità, è la forma dell'offerta.

• SeedRealtime — puoi provarlo gratuitamente in Doubao e non potrai mai integrarlo. Non esiste un percorso da «questo è impressionante» a «questo è nel mio prodotto».

• Realtime-Venus — puoi scaricarlo, eseguire il fine-tuning, avviarlo in modalità air-gapped e ispezionare ogni livello. Il costo è dato da due checkpoint da 9B in BF16, con circa diciotto gigabyte di pesi ciascuno, più un ciclo di streaming continuo al secondo, il che significa un nodo GPU che viene fatturato indipendentemente dal fatto che qualcuno effettui chiamate o meno.

• Nessuno dei due ha un'opzione hosted. Nessuno dei due può essere provato con una chiave e un pomeriggio.

Quel ultimo punto è il motivo per cui i due modelli sono più utili come coppia che come avversari. Tra di loro dimostrano che entrambe le metà del problema sono risolte — la capacità funziona e i pesi sono rilasciabili — mentre mostrano che nessuno le ha ancora messe insieme in qualcosa che uno sviluppatore possa davvero chiamare.

C'è una soluzione alternativa a cui molti team faranno ricorso, e vale la pena essere chiari su cosa copre e cosa non copre. Se non riesci a ottenere il livello vocale, puoi comunque costruire la parte che pensa. Realtime-Venus delega il suo lavoro costoso — recupero delle informazioni, ragionamento complesso, chiamate alle API aziendali — a un harness in background tramite marker di delega asincrona, e quel ramo delegato è normale inferenza testuale. OrcaRouter non offre né Realtime-Venus né SeedRealtime; entrambi i livelli duplex sono al di fuori di ciò che serviamo, e non ospitiamo né l'uno né l'altro. Quasi 200 modelli di testo dietro un'unica chiave al prezzo di listino del provider, senza ricarichi è la metà dell'architettura che copriamo, con failover automatico affinché un'attività in background non fallisca perché un upstream ha avuto un pomeriggio storto, un DSL di routing per comporre diversi modelli in un'unica chiamata, e la fusione di modelli dove il giudizio di un singolo modello non basta. Non è la parte difficile di questi sistemi. È la parte che si può effettivamente acquistare.

Cosa cambierebbe questo confronto

Tre sviluppi lo risolverebbero, e nessuno di essi si è ancora verificato. Un benchmark indipendente di Realtime-Venus, perché una tabella senza un secondo lettore è un'affermazione, non un risultato. Un'API per SeedRealtime, perché il modello con le prove di deployment più solide è attualmente quello che nessuno può usare. E una cifra di latenza pubblicata da uno dei due — il tempo al primo audio è la metrica su cui si acquista questa categoria, e al momento in cui scriviamo nessuno dei due modelli ne ha dichiarata una.

Fino ad allora, il riepilogo onesto è che SeedRealtime è la prova che il full-duplex audiovisivo funziona su scala consumer e Realtime-Venus è la prova che i pesi possono essere aperti, e nessuno di questi fatti avvicina chi costruisce un prodotto al lancio di un prodotto. Non è una critica a nessuno dei due laboratori. È la descrizione di una categoria che ha risolto il problema della ricerca e non ancora quello della distribuzione.