Duo-1.0-causal-base：153GBの重み、論文、そしてローンチ記事なし

11月12日06:32 UTCに、Hugging FaceのDuo-1.0-causal-baseというリポジトリが最初のコミットを行った：80ファイル、153.46 GB、そして視覚言語バックボーン、視聴覚拡散トランスフォーマー、2つのコーデック、音声認識器、強制アライナを含むパッケージだ。その背後にある論文は前日にarXivに公開されていた。24時間以内に3つの姉妹リポジトリが続き、そのうち1つは今朝もまだアップロード中だった。リポジトリ自身の11月13日付のニュース欄は、そのすべてをリリースと呼んでいる。ほかにそう呼んでいるものはほとんどない。私が見つけられる限り、ローンチ投稿も、ホストされたエンドポイントも、料金ページも、Duo-1.0-causal-baseに関する独立したベンチマークも存在しない——そして、その153 GBの中にあるライセンスファイルは、その許諾範囲から欧州連合、英国、韓国、米国を除外している。

これはローンチの記事ではない。なぜなら、ローンチはなかったからだ。リーク記事でもない。なぜなら、重みは公開されており、ゲートもなく、完全なものだからだ。以下では、研究ラボが製品ではなくリポジトリを公開したときに必ず曖昧になる2つのこと――ファイルと論文が実際に何を確立しているのか、そしてまだ誰も確認していないことは何か――を切り分ける。

何が、どのような順序で着地したのか

この順序はリポジトリのメタデータから読み取ることができ、それが唯一の一次記録である点で重要だ。

• 論文 — arXiv 2611.15131、Duo：全二重インタラクションのための相互的世界モデル、Hengyuan CaoからZhenzhong Lanまでの20名の著者により、2026年11月11日に投稿された。Hugging Faceの論文ページには27件のアップボートがあり、それ以外の取り上げはない。

• 重み — inclusionAI 組織下の4つのリポジトリ。同組織は自らを Ant Group の AGI イニシアチブの拠点と称しており、そのプロジェクトページには 2026 年の Ant Research の著作権表示がある。Duo-1.0-causal-base と Duo-1.2-causal-base は 11月12日 06:30 と 06:32 UTC に作成され、Duo-1.0-distill はその25秒前、Duo-1.0-distill-quant は今朝 08:09 UTC に作成された。

• コード — github.com/inclusionAI/Duo、Apache-2.0。11月6日に作成されたが、コミットをちょうど1つだけ保持しており、タイムスタンプは本日09:13 UTC。執筆時点でスターは6個、フォークはありません。

• その声明 — READMEのニュースブロック、いずれも2026/11/13付の3行：論文、vLLM-OmniとSGLang-Omniのストリーミングパイプライン、そしてv1の重みとオフライン推論コード。

バンドルサイズは、読者が最初に行動に移せる項目です。なぜなら、それらは相互に置き換え可能ではないからです。

• Duo-1.0-causal-base — 80ファイルで合計153.46 GB。Realization重み69.07 GB、Intentモデル66.73 GB、ビデオおよびオーディオコーデック11.02 GB、音声スタック6.54 GB、84.8 MBのアダプター。

• Duo-1.2-causal-base — 80ファイルにわたり153.46 GB、説明は「生成品質の向上」とのみ記載され、その蒸留版および量子化版は近日公開予定として挙げられています。

• Duo-1.0-distill — 2.78 GB、8ファイル。モデルではなくオーバーレイです。ベースバンドルと同じディレクトリにダウンロードされ、サンプラー設定をオイラー法・4ステップ・フローシフト5.0に置き換えます。ベースでは50ステップ・1.0です。

• Duo-1.0-distill-quant — 47.03 GB。ModelOpt FP8でチャネル単位のスケーリングを用いた同じ4段階のオーバーレイであり、このカードには、ランタイムがその形式をサポートするか、変換経路を提供する必要があることが明記されています。

2つのモジュールと708ミリ秒のクロック

アーキテクチャは設定ファイルから読み取れる——これはほとんどのモデルカードでは得られない以上の情報だ。Duoは仕事を二つに分ける。

Intentモジュールは Qwen3VLForConditionalGeneration として宣言されている。隠れ次元5120で64層、64個のアテンションヘッドと8個のキー・バリューヘッド、中間サイズ25600、語彙数151,936トークン、パッチサイズ16の27層ビジョンタワーを備える。シャードの合計は66.71 GBのbfloat16重みになる。これは大規模な視覚言語モデルであり、カードにはパラメータ数が明記されていないため、サイズクラスはベンダー公表値ではなく設定からの推測である。その上に、ランク8、アルファ16のLoRAアダプターがあり、クエリ、キー、バリュー、出力の各射影に加えて言語モデルヘッドを対象とし、さらに4つの学習可能な特殊トークン <wait>、<blank>、<chunk_708>、<speak> を備える。

そのトークン集合は、このアイデアをそのまま縮小したものだ。各チャンクで、Intentモジュールはテキスト付きの<speak>か、何も含まない<wait>のどちらかを出力する。いつ話すかを決めることは、何を言うかを決めることとは別の予測であり、それが、あなたが話し終えたときに答えるモデルと、割り込み、沈黙を保ち、あるいはあなたが話している間も話し続けられるモデルとの違いだ。

RealizationモジュールはMiniMaxH3DiTModelです。隠れ次元5376で50層、次元128の56ヘッド、フィードフォワード幅14336、1×2×2パッチ、ビデオ用24潜在チャネルと音声用32チャネルを備え、Intentモジュールの隠れ状態を条件付けに折り込む2層トークンリファイナーを持ちます。MiniMax H3の重みから初期化され、NOTICEファイルに上流ライセンス名が記載されています。シャードは535テンソルにわたり合計66.28 GBです。

それらを結びつけるクロックこそ、覚えておく価値のある数字だ。インタラクションは、24 fpsで17ビデオフレームのチャンク単位で進む——708ミリ秒。各チャンクは、1-4-4-4-4のフレーム分割で5つのビデオ潜在表現として、また2×29の音声潜在表現としてエンコードされる。なぜなら音声は32 kHzでチャネルあたり毎秒40潜在表現、25ミリ秒ごとに1つで動作するからだ。位置エンコーディングは、再生時間に紐づけられた3次元RoPEである。アテンションマスクは、どのチャンクも自分自身の未来のクリーンなメディアを見られないように構築されており、これにより全体が、完成したクリップを開始前に必要とする拡散モデルではなく、因果的でストリーミング可能なものになる。

レイテンシに関する主張は事実であり、それは8-GPUでの主張です。

論文のストリーミングに関する節は、このリリースの中で最も具体的な内容であり、ほとんどの読者が持つハードウェアでは最も再現しにくい。

• インテント推論 — チャンクあたり90～160ミリ秒。

• 768×576での共同潜在生成 — 200～450 ms。

• ストリーミングデコード — 4フレームグループあたり約30 ms。

• オーバーヘッド — 約40 ms。

• 合計 — 330～650 ms（サイクル目標は1秒の17/24）、発話がウィンドウの途中で終了する場合はさらに708 msのサンプリング遅延が加わります。

これらの数値は 8 GPU 構成に由来します。Intent モジュールは、音声認識器と並んで GPU 0–3 上の 4 ランクにわたりテンソル並列で実行され、拡散トランスフォーマーは 8 基すべてに分散して、メモリ制約下でサイクル時間を最小化する方に応じてチャンクごとにテンソル並列またはシーケンス並列を選択し、ストリーミング VAE は GPU 4–7 上で空間的に 4 分割します。GPU 0–3 はチャンク k+1の Intent を実行し、その一方で GPU 4–7 はチャンク kをデコードします。出力は 1 フレームのアンカーと 4 つの 4 フレームパケットとしてリリースされ、最短の再生間隔である 1/24 秒（約 41.7 ms）は、バッファがジッターを吸収できるよう、意図的に 30 ms のデコードより長くなっています。

では、README の要件をそれに照らして読んでください。参照用のオフライン展開では、2 基の CUDA GPU（1 基は Intent とコーデック用、もう 1 基は Realization 用）、2 つの Python 環境（固定バージョンの qwen-asr パッケージが独自の Transformers バージョンを引き込むため）、および PATH 上の FFmpeg が要求されています。これが、同梱デモが実際に動作する構成です。330～650 ms という数値は、モデルが明示されていない 8 基の GPU を前提としています。どちらの数値も正直なものであり、異なる問いに答えています。そして両者の隔たりは、論文の結果と、今週組み立てられる実機との間の距離です。

93.3%は著者自身が自分の試験を採点しているということです

この評価は、その割合がどこかで引用される前に述べておくべき点で異例である。

30件のリアルタイム双方向ケースを共有タイムライン上に並べて再生し、音声付きの通常再生速度で、失敗条件が明記された6つの二値基準に照らして判定した。基準は、コンテンツ応答性、言語遵守、音声明瞭度、視覚的アイデンティティの安定性、音声と映像の同期、音声と映像の感情的整合性である。180回のチェックのうち168回が合格し、93.3%だった。言語遵守、音声明瞭度、視覚的アイデンティティの安定性の3項目を合わせると90件中90件が合格した。感情的整合性は96.7%、唇の位置合わせは90.0%、コンテンツ応答性は73.3%、つまり30件中22件だった。

三つのことが続くが、褒め言葉になるのは最初の一つだけだ。

まず、失敗条件が明記された180件の二値チェックで93.3%というのは、リーダーボードのEloより反証可能な主張であり、失敗分析も異例なほど具体的だ。モデルが文字通りの言葉の先を読む必要があるジョークや遠回しな発言、音声と映像を合わせて読まないと意図が確定しないものだ。論文の例は、雨が降り始めたときに屋内のユーザーがシェアサイクルに言及するもので、モデルはそれを場面の変化ではなく助言の要求として扱った。

第二に、審査員は著者自身である。第三者による実施も、ブラインドのペア比較研究も、外部レビュアーによるパネルも存在しない。明文化された条件を伴う二者択一のルーブリックは適切な道具ではあるが、それを自分自身の出力に適用することは独立した検証にはならない。

第三に、そして最も雄弁に物語るのは、論文のどこにもベースラインとの比較がないことだ。唯一の定量的な対照はデータ合成に関するアブレーションであり、60秒のシーケンス（6秒ブロック10個）において、ベースラインは9番目のブロックまでに34.2輝度レベルを失うのに対し、提案手法は約99で安定する。関連研究——Moshi、Qwen-Omni、Wan-Streamer、EMO、OmniHuman、LiveTalk、Self Forcing、CausVid——は定性的に論じられるだけで、直接比較の数値はない。論文はパラメータ数や学習データ量についても一切述べていない。したがって正直な要約は、Duo v1は別のモデルとではなく、ルーブリックに対して測定されたということだ。

ライセンスは、あなたの一週間を左右する部分です

これは調達の判断を左右するセクションでありながら、モデルカードの本文ではなく、17 KBのLICENSEファイルの中に埋もれています。

重みは Apache-2.0 ではありません。コードリポジトリはそうですが、重みはそうではありません。すべての Duo チェックポイントには minimax-h3-community-license が付帯します。これは Realization モジュールが MiniMax H3 から初期化されており、ライセンスが派生物に付随するためです。バンドル内の契約書は 2026年8月2日付で、"M​iniMax" を Nanonoble Pte. Ltd. と定義しています。

その許諾は地域的に限定されている。「適用地域」とは除外地域を除く全世界を意味し、除外地域とは欧州連合、英国、大韓民国、アメリカ合衆国である。ライセンス本文は、これらの地域にいる誰もが「堅牢な管理とガードレールに基づく」ライセンスを取得する件についてM​iniMaxに連絡するよう促しているが、それは一つの経路であって許可ではない。

実務的には、シンガポール、スイス、日本、インド、ブラジル、カナダの研究グループは、記載された条件の下で、今日すぐにこれをダウンロードして実行できる。サンフランシスコ、ロンドン、ベルリン、ソウルのチームは、ファイルを素直に読む限り実行できず、2週間の統合作業の最後にそのことに気づくべきではない。この非対称性こそ、何かを計画する前に確認すべきなのがベンチマークではなくライセンスである理由でもある。

今日実際に実行できるもの

オフライン手順は文書化されており、短くまとまっています。リポジトリをクローンし、2つの仮想環境を作成します。1つはRealization用、もう1つは音声スタック用です。ベースバンドルをダウンロードし、configs/inference.example.jsonをconfigs/inference.jsonにコピーして、重みと2つのPython実行ファイルを指すように設定し、run_demo.py --config configs/inference.json --port 4173を起動します。インターフェースは/video/index.htmlにあるブラウザページです。

ストリーミングについては、README が 2 つのブランチを指し示しています。推奨と記された vLLM-Omni と、SGLang-Omni です。それがレイテンシの数値が説明している経路であり、8 基の GPU 構成を必要とする経路でもあります。

目にする内容について、2つの注意点があります。プロジェクトページのデモは訓練データとオフライン推論から作成されたもので、ページにもそう明記され、リアルタイムの全二重結果は「近日追加予定」と付け加えられています。また、このリリースは明示的にプレビューです。「Duo v1は研究者向けのプレビューリリース」であり、「基本的な視聴覚会話」をサポートし、v2ではRealizationをユーザーの音声と映像に直接条件付けして視覚的インタラクションを実現すると約束されています。あなたの関心が、あなたを見て物体に反応するモデルにあるなら、その能力は今回のリリースには含まれていません。

今週、誰が注目すべきで、誰が待つべきか

• 全二重インタラクション研究——これはこの分野で最も具体的なオープンリリースだ。レイテンシ予算、チャンククロック、蒸留レシピ、そして実際にダウンロードできる重みを備えた論文である。デュアルロールアウト蒸留——凍結されたIntentモジュールをロールアウトし、記録された履歴からではなくモデル自身の出力からメディアを生成する——は、Duoを一度も実行しなくても転用できるアイデアだ。

• アバターやコンパニオン製品を開発しているチームへ——708 ms という捉え方だけでも読む価値がある。その数字が、合いの手が人に感じられるか、遅延に感じられるかを決める。そしてそれは、モデルを採用しなくても取り入れられる設計上の制約だ。

• 除外地域のチームは、待って、GPU予算ではなくライセンスに関する協議をクリティカルパスとして扱ってください。

• APIを求めている人へ——これはそういうものではありません。モデルカードには、推論プロバイダーがこれを提供しておらず、ベンダーのエンドポイントも存在しないことが明記されています。

その最後の点こそ、ルーターが正直に適する場合とそうでない場合です。OrcaRouter は Duo-1.0-causal-base をホストしておらず、ルーティングもできません。固定 708 ms のチャンククロックを持つ 153 GB の2モジュール拡散スタックは chat-completions の対象ではなく、どれだけルーティングしてもそれは変わりません。ルーティング可能なのは、双方向実験がフラグの背後で動いている間にほとんどのチームが出荷するターン方式のフォールバックです — 音声入力、言語モデル、音声出力。音声出力側は、同じ2台の GPU 上の別プロセスではなく、ホスト型のテキスト読み上げモデルにできます。そして、200 以上のモデルを対象に、プロバイダーの定価を 0% のマークアップでパススルーする1つの API を通じてそれを行うことで、ベンダーが価格を変更してもコスト計算は変わらないままになります。自動フェイルオーバーは、セルフホスト側ではなく、それらのホスト型レッグに属します。プロバイダーが不安定なときにデモを維持し、自社ハードウェアで実行しているスタックには何もしません。

もう一つの誠実な使い方は、評価の規律だ。本番経路は呼び出せるモデルに保ち、Duo-1.0-causal-base は文書化された評価基準を伴うベンチ実験として扱う——既存の唯一の評価基準がその著者たち自身によって適用されていたことを踏まえれば、それはまさにそのとおりだ。

何が評決を変えるのだろうか

重要度の低い順に、3つのこと。

Duo チームが選ばなかったプロンプトについて、第三者が六つの基準で採点する。ルーブリックはすでに公開されているので、誰かが実施するのは安く済み、未見のケースでコンテンツ応答性が本当に 73.3% ならモデルにとっては高くつく。

8基のGPUを前提としないホスト型エンドポイント、あるいはサービングレシピ。2基のGPUによるオフラインデモと、8基のGPUによるレイテンシの主張はどちらも事実であり、その間のギャップこそが、ほとんどの読者が実際に身を置く場所なのだ。

{{1}}除外地域{{/1}}を含むライセンス条項。アーキテクチャに関する何もその計算を変えることはなく、ベンチマークの改善がどれほど進んでも変わることはない。

それまでは、Duo-1.0-causal-base を正確に説明するならこうだ。完全でゲートなしの 153 GB の研究バンドルであり、実際のレイテンシ予算と自己採点による評価を備え、日付入りのニュース行がある論文とリポジトリとして公開されていて、その背後に製品はない。これはプレプリント以上だ——重みはそこにあり、デモも動く——が、四半期の計画をそれで立てられるモデルにはほど遠い。未解決の問いは、Duo が 708 ミリ秒のスライスで会話を成立させられるかどうかではない。チーム外の誰かが確認を許されるかどうかだ。