Duo-1.0-causal-base: 153GB의 가중치, 논문, 그리고 출시 게시물은 없다

11월 12일 06:32 UTC에, Hugging Face의 Duo-1.0-causal-base라는 저장소가 첫 커밋을 남겼다. 여기에는 80개 파일, 153.46GB, 그리고 비전-언어 백본, 오디오비주얼 확산 트랜스포머, 두 개의 코덱, 음성 인식기, 강제 정렬기를 포함한 패키지가 들어 있다. 그 배경 논문은 하루 전에 arXiv에 올라와 있었다. 24시간 이내에 세 개의 형제 저장소가 뒤따랐고, 그중 하나는 오늘 아침에도 여전히 업로드 중이다. 11월 13일자 저장소 자체의 뉴스 블록은 이 모든 것을 릴리스라고 부른다. 거의 다른 어떤 것도 그렇게 부르지 않는다. Duo-1.0-causal-base에 대해 내가 찾을 수 있는 출시 게시물, 호스팅된 엔드포인트, 가격 페이지, 독립적 벤치마크는 없으며 — 그리고 그 153GB 안에 들어 있는 라이선스 파일은 부여 대상에서 유럽연합, 영국, 대한민국, 미국을 제외한다.

따라서 이것은 출시 기사가 아닙니다. 출시가 없었기 때문입니다. 또한 유출 기사도 아닙니다. 가중치가 공개되어 있고, 게이트 없이 접근 가능하며, 완전하기 때문입니다. 다음 내용은 연구소가 제품 대신 저장소를 내놓을 때마다 흐려지는 두 가지를 구분합니다. 파일과 논문이 실제로 입증하는 것, 그리고 아직 아무도 확인하지 못한 것입니다.

무엇이 착륙했고, 어떤 순서였나요?

순서는 저장소 메타데이터에서 읽을 수 있으며, 이는 그것이 유일한 1차 기록이라는 점에서 중요합니다.

• 논문 — arXiv 2611.15131, Duo: 전이중 상호작용을 위한 상호적 세계 모델, Hengyuan Cao부터 Zhenzhong Lan까지 스무 명의 저자가 있으며, 2026년 11월 11일에 제출되었습니다. Hugging Face 논문 페이지에는 업보트 27개가 표시되어 있고, 그 외의 보도는 없습니다.

• 가중치 — 스스로를 Ant Group의 AGI 이니셔티브의 본거지라고 설명하며 프로젝트 페이지에 2026 Ant Research 저작권 표시가 있는 inclusionAI 조직 산하의 네 저장소입니다. Duo-1.0-causal-base와 Duo-1.2-causal-base는 11월 12일 06:30 및 06:32 UTC에 생성되었습니다. Duo-1.0-distill은 25초 더 이른 시각에, Duo-1.0-distill-quant는 오늘 아침 08:09 UTC에 생성되었습니다.

• 코드 — github.com/inclusionAI/Duo, Apache-2.0, 11월 6일에 생성되었지만 커밋이 정확히 하나뿐이며, 타임스탬프는 오늘 09:13 UTC이고, 작성 시점 기준 스타 6개와 포크 0개입니다.

• 해당 문구 — README의 뉴스 블록, 모두 2026/11/13 날짜인 세 줄: 논문, vLLM-Omni 및 SGLang-Omni 스트리밍 파이프라인, 그리고 v1 가중치와 오프라인 추론 코드.

번들 크기는 독자가 가장 먼저 실행에 옮길 수 있는 정보입니다. 번들 크기들은 서로 대체할 수 없기 때문입니다.

• Duo-1.0-causal-base — 80개 파일에 걸쳐 153.46 GB. 실현 가중치 69.07 GB, Intent 모델 66.73 GB, 비디오 및 오디오 코덱 11.02 GB, 음성 스택 6.54 GB, 84.8 MB 어댑터.

• Duo-1.2-causal-base — 80개 파일에 걸쳐 153.46 GB, "향상된 생성 품질"이라고만 설명되어 있으며, 증류 및 양자화된 변형은 출시 예정으로 표시되어 있습니다.

• Duo-1.0-distill — 2.78 GB, 파일 8개. 모델이 아니라 오버레이입니다. 기본 번들과 같은 디렉터리에 내려받아지며, 샘플러 설정을 4스텝의 Euler와 5.0의 flow shift로 대체합니다. 기본 번들의 50스텝, 1.0과는 대조적입니다.

• Duo-1.0-distill-quant — 47.03 GB. ModelOpt FP8의 동일한 4단계 오버레이에 per-channel 스케일링을 적용한 구성이며, 이 카드에는 런타임이 해당 형식을 지원하거나 변환 경로를 제공해야 한다고 명시되어 있습니다.

두 개의 모듈과 708밀리초 시계

아키텍처는 구성 파일만 봐도 파악할 수 있는데, 이는 대부분의 모델 카드가 제공하는 것보다 많은 정보입니다. Duo는 작업을 둘로 나눕니다.

Intent 모듈은 Qwen3VLForConditionalGeneration으로 선언됩니다 — 히든 크기 5120의 64개 레이어, 8개의 키-값 헤드가 있는 64개의 어텐션 헤드, 중간 크기 25600, 151,936 토큰 어휘, 패치 크기 16의 27개 레이어 비전 타워를 갖습니다. 샤드들은 bfloat16 가중치로 총 66.71GB에 달합니다. 이는 대형 비전-언어 모델이며, 카드에는 파라미터 수가 명시되어 있지 않으므로 크기 등급은 벤더 수치가 아니라 구성에서 추론한 것입니다. 그 위에는 rank 8 및 alpha 16의 LoRA 어댑터가 올라가며, 쿼리, 키, 값 및 출력 프로젝션과 언어 모델 헤드를 대상으로 하고, 네 가지 학습 가능한 특수 토큰인 <wait>, <blank>, <chunk_708>, <speak>가 있습니다.

그 토큰 집합은 전체 아이디어의 축소판이다. 매 청크마다 Intent 모듈은 텍스트가 담긴 <speak> 또는 아무것도 없는 <wait> 중 하나를 내보낸다. 언제 말할지 결정하는 것은 무엇을 말할지 결정하는 것과 별개의 예측이며, 이는 사용자가 말을 멈추면 답하는 모델과 끼어들거나 침묵을 유지하거나 사용자가 말하는 동안 계속 말할 수 있는 모델의 차이다.

Realization 모듈은 MiniMaxH3DiTModel입니다. hidden 크기 5376의 50개 레이어, 차원 128의 헤드 56개, feed-forward 폭 14336, 1×2×2 패치, 비디오용 latent 채널 24개와 오디오용 32개, 그리고 Intent 모듈의 hidden state를 conditioning에 접어 넣는 2계층 token refiner로 구성됩니다. MiniMax H3 가중치로 초기화되며, NOTICE 파일에 업스트림 라이선스가 명시되어 있습니다. 샤드는 535개 텐서에 걸쳐 총 66.28 GB입니다.

이들을 하나로 묶는 기준 시계는 기억해 둘 가치가 있는 숫자다. 상호작용은 24fps에서 17개 비디오 프레임, 즉 708밀리초 단위의 청크로 진행된다. 각 청크는 1-4-4-4-4 프레임 분할을 가진 다섯 개의 비디오 잠재 표현으로 인코딩되며, 2×29 오디오 잠재 표현으로도 인코딩된다. 오디오는 32kHz에서 채널당 초당 40개의 잠재 표현, 즉 25밀리초마다 하나씩 실행되기 때문이다. 위치 인코딩은 재생 시간에 맞춰진 3차원 RoPE다. 어텐션 마스크는 어떤 청크도 자신의 미래에 해당하는 깨끗한 미디어를 볼 수 없도록 구성되며, 이것이 전체를 인과적이고 스트리밍 가능하게 만든다. 시작하기 전에 완성된 클립이 필요한 확산 모델과는 다르다.

지연 시간 주장은 사실이며, 이는 8개 GPU 기준의 주장입니다.

논문의 스트리밍 섹션은 공개 자료에서 가장 구체적인 부분이지만, 대부분의 독자가 가진 하드웨어에서는 가장 재현하기 어려운 부분이기도 하다.

• 의도 추론 — 청크당 90~160ms.

• 768×576에서의 공동 잠재 생성 — 200~450ms.

• 스트리밍 디코드 — 4프레임 그룹당 약 30ms.

• 오버헤드 — 약 40ms.

• 총계 — 330~650ms로, 17/24초의 주기 목표 대비이며, 발화가 창 중간에 끝나면 샘플링 지연이 708ms 더 발생합니다.

이 수치들은 8-GPU 레이아웃에서 나온 것입니다. Intent 모듈은 음성 인식기와 함께 GPU 0–3의 네 랭크에 걸쳐 텐서 병렬로 실행됩니다. 디퓨전 트랜스포머는 8개 GPU 전체에 분산되며, 메모리 제약 아래에서 사이클 시간을 최소화하는 쪽에 따라 청크별로 텐서 병렬 또는 시퀀스 병렬을 선택합니다. 스트리밍 VAE는 GPU 4–7에서 공간적으로 네 가지로 타일링합니다. GPU 0–3은 청크 k+1에 대해 Intent를 실행하는 동안, GPU 4–7은 청크 k를 디코드합니다. 출력은 1프레임 앵커와 4개의 4프레임 패킷으로 릴리스되며, 가장 짧은 재생 간격인 약 41.7ms의 1/24초는 30ms 디코드보다 의도적으로 길어서 버퍼가 지터를 흡수할 수 있습니다.

이제 README의 요구 사항을 그것과 대조해 보세요. 참조 오프라인 배포는 CUDA GPU 두 개를 요구합니다. 하나는 Intent와 코덱용, 다른 하나는 Realization용입니다. 또한 고정된 qwen-asr 패키지가 자체 Transformers 버전을 끌어오기 때문에 Python 환경 두 개가 필요하고, FFmpeg가 PATH에 있어야 합니다. 실제로 배포된 데모가 실행되는 구성이 바로 이것입니다. 330~650ms 수치는 명시되지 않은 모델의 GPU 8개를 가정합니다. 두 수치 모두 정직합니다. 서로 다른 질문에 답하는 것이며, 그 사이의 격차는 논문 결과와 이번 주에 만들 수 있는 박스 사이의 거리입니다.

93.3%는 저자들이 자신의 시험을 직접 채점한 것이다

이 평가는 그 비율이 어디에서든 인용되기 전에 먼저 밝힐 만한 점에서 이례적이다.

30개의 실시간 양방향 사례를 공유 타임라인에서 나란히 재생하고, 소리가 있는 일반 재생 속도로 판정했으며, 서면 실패 조건이 있는 6가지 이진 기준에 따라 평가했다: 콘텐츠 응답성, 언어 준수, 음성 명료도, 시각적 정체성 안정성, 시청각 동기화, 시청각 정서 일관성. 180개 검사 중 168개 통과 — 93.3%. 언어 준수, 음성 명료도, 시각적 정체성 안정성을 합친 90개 중 90개가 통과했다. 정서 일관성은 96.7%, 입술 정렬은 90.0%, 콘텐츠 응답성은 73.3%, 즉 30개 중 22개였다.

세 가지가 이어지는데, 그중 첫 번째만이 듣기 좋은 말이다.

첫째, 기록된 실패 조건이 있는 180개의 이진 검사에서 93.3%를 달성했다는 것은 리더보드 Elo보다 더 반증 가능한 주장이며, 실패 분석은 유난히 구체적입니다. 모델이 문자 그대로의 단어 너머를 읽어야 하는 농담과 우회적 발언, 그리고 음성과 영상이 함께 해석될 때에만 의도가 명확해지는 경우 — 논문의 예시는 비가 내리기 시작할 때 공유 자전거를 언급한 실내의 사용자인데, 모델은 이를 장면 전환이 아니라 조언 요청으로 처리했습니다.

둘째, 심사자는 저자들입니다. 제3자 실행도, 블라인드 쌍대 비교 연구도, 외부 검토자 패널도 없습니다. 서면 조건이 포함된 이진 루브릭은 적절한 도구이지만, 이를 자신의 출력에 적용하는 것은 독립적인 검증이 아닙니다.

셋째, 그리고 가장 시사하는 바가 큰 점은, 이 논문 어디에도 베이스라인 비교가 없다는 것입니다. 유일한 정량적 대조는 데이터 합성에 대한 절제 실험입니다: 6초 블록 10개로 이루어진 60초 시퀀스에서, 베이스라인은 아홉 번째 블록까지 34.2 루마 레벨을 잃는 반면 제안 방법은 약 99에서 안정화됩니다. 관련 연구 — Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid — 는 직접 비교 수치 없이 정성적으로만 논의됩니다. 이 논문은 파라미터 수나 학습 데이터 양도 밝히지 않습니다. 따라서 솔직한 요약은 Duo v1이 다른 모델이 아니라 평가 기준(rubric)에 대해 측정되었다는 것입니다.

라이선스는 당신의 한 주를 결정하는 부분입니다.

이것은 조달 결정을 바꾸는 부분인데, 모델 카드의 설명문이 아니라 17KB짜리 LICENSE 파일에 묻혀 있습니다.

가중치는 Apache-2.0이 아닙니다. 코드 저장소는 Apache-2.0이지만, 가중치는 아닙니다. 모든 Duo 체크포인트에는 minimax-h3-community-license가 적용됩니다. Realization 모듈이 MiniMax H3에서 초기화되었고 라이선스는 파생물과 함께 따라가기 때문입니다. 번들 내부의 계약서는 2026년 8월 2일자이며 "M​iniMax"를 Nanonoble Pte. Ltd.로 정의합니다.

그 부여는 영토적으로 제한된다. "적용 영토"는 제외 영토를 제외한 전 세계를 의미하며, 제외 영토는 유럽연합, 영국, 대한민국, 미합중국이다. 라이선스 문구는 해당 영토에 있는 누구든 "견고한 통제와 가드레일을 기반으로" 라이선스를 취득하기 위해 MiniMax에 문의하도록 초대하는데, 이는 허가가 아니라 하나의 경로일 뿐이다.

실제로 싱가포르, 스위스, 일본, 인도, 브라질 또는 캐나다에 있는 연구 그룹은 명시된 조건에 따라 오늘 바로 이 파일을 내려받아 실행할 수 있습니다. 샌프란시스코, 런던, 베를린 또는 서울에 있는 팀은 파일의 문면을 그대로 해석하면 그렇게 할 수 없으며, 2주간의 통합 작업이 끝날 때에야 그 사실을 알게 되어서는 안 됩니다. 이러한 비대칭성은 무엇이든 일정을 잡기 전에 확인해야 할 것이 벤치마크가 아니라 라이선스인 이유이기도 합니다.

오늘 실제로 실행할 수 있는 것

오프라인 경로는 문서화되어 있으며 짧습니다. 리포지토리를 복제하고, Realization용과 음성 스택용으로 가상 환경 두 개를 구축한 다음, 기본 번들을 다운로드하고, configs/inference.example.json을 configs/inference.json으로 복사한 뒤, 가중치와 두 개의 Python 실행 파일을 가리키도록 설정하고, run_demo.py --config configs/inference.json --port 4173을 실행하세요. 인터페이스는 /video/index.html의 브라우저 페이지입니다.

스트리밍의 경우, README는 두 개의 브랜치를 가리킵니다. 바로 권장으로 표시된 vLLM-Omni와 SGLang-Omni입니다. 이것이 지연 수치가 설명하는 경로이며, 8-GPU 구성이 필요한 경로이기도 합니다.

당신이 보게 될 내용에 관한 두 가지 주의사항이 있습니다. 프로젝트 페이지의 데모는 학습 데이터와 오프라인 추론에서 가져온 것이며 — 페이지에도 그렇게 명시되어 있고 — 실시간 전이중(full-duplex) 결과는 "곧 추가될 예정"이라고 덧붙입니다. 또한 이번 릴리스는 명시적으로 프리뷰입니다: "Duo v1은 연구자를 위한 프리뷰 릴리스"이며 "기본적인 시청각 대화"를 지원하고, v2에서는 시각적 상호작용을 위해 Realization을 사용자 오디오와 비디오에 직접 조건화할 것이라고 예고합니다. 당신이 관심 있는 것이 당신을 보고 사물에 반응하는 모델이라면, 그 기능은 이번 배포에 포함되어 있지 않습니다.

이번 주에는 누가 관심을 가져야 하고, 누가 기다려야 할까

• 전이중 상호작용 연구 — 이 범주에서 가장 구체적인 오픈 릴리스입니다. 지연 예산, 청크 클록, 증류 레시피, 그리고 실제로 다운로드되는 가중치를 갖춘 논문이죠. 동결된 Intent 모듈을 롤아웃한 뒤 기록된 이력이 아니라 모델 자체 출력에서 미디어를 생성하는 이중 롤아웃 증류는 Duo를 한 번도 실행하지 않더라도 전이 가능한 아이디어입니다.

• 아바타나 컴패니언 제품을 만드는 팀 — 708ms라는 프레이밍만으로도 읽어볼 가치가 있습니다. 끼어드는 한마디가 사람처럼 느껴질지 아니면 지연처럼 느껴질지를 결정하는 숫자이며, 모델을 도입하지 않고도 채택할 수 있는 설계 제약입니다.

• 제외된 지역의 팀 — 기다리세요. 그리고 GPU 예산이 아니라 라이선스 논의를 핵심 경로로 다루세요.

• API를 원하는 사람이라면 — 이건 그게 아니다. 모델 카드에는 어떤 추론 제공업체도 이를 서비스하고 있지 않으며, 벤더 엔드포인트도 없다고 분명히 명시되어 있다.

마지막 요점은 라우터가 정직하게 들어맞는 지점과 그렇지 않은 지점을 보여 줍니다. OrcaRouter는 Duo-1.0-causal-base를 호스팅하지 않으며 라우팅할 수도 없습니다. 고정된 708ms 청크 클록을 가진 153GB 2모듈 디퓨전 스택은 chat-completions 대상이 아니며, 라우팅을 아무리 해도 그 사실은 달라지지 않습니다. 라우팅 가능한 것은 대부분의 팀이 듀플렉스 실험을 플래그 뒤에서 실행하는 동안 출시하는 턴 기반 폴백입니다 — 음성 입력, 언어 모델, 음성 출력. 음성 출력 레그는 동일한 두 GPU에서 또 다른 프로세스를 돌리는 대신 호스팅된 텍스트 음성 변환 모델이 될 수 있으며, 이를 200개가 넘는 모델을 위한 단일 API로 처리하고 공급자 정가를 0% 마크업으로 그대로 전달하면 공급자가 가격을 바꿔도 비용 계산이 그대로 유지됩니다. 자동 장애 조치는 자체 호스팅 레그가 아니라 그 호스팅 레그들에 속합니다: 공급자가 흔들릴 때 데모를 살려 두지만, 자체 하드웨어에서 실행 중인 스택에는 아무 도움이 되지 않습니다.

또 다른 정직한 활용은 평가 규율입니다. 프로덕션 경로는 호출할 수 있는 모델에 유지하고, Duo-1.0-causal-base는 문서화된 평가 기준이 있는 벤치 실험으로 취급하십시오 — 유일하게 존재하는 평가 기준이 그 저자들에 의해 적용되었다는 점을 고려하면, 그것이 바로 이 모델의 실체입니다.

무엇이 판결을 바꿀까요?

세 가지를, 중요도가 커지는 순서로 말하자면.

제3자가 Duo 팀이 선택하지 않은 프롬프트에 대해 여섯 가지 기준을 채점하는 것. 루브릭은 이미 공개되어 있으므로 누군가가 하기에는 저렴하고, 보지 못한 사례에서 콘텐츠 응답성이 정말 73.3%라면 모델에는 비용이 많이 드는 일이다.

8개의 GPU를 전제하지 않는 호스팅 엔드포인트 또는 서빙 레시피. 2개 GPU 오프라인 데모와 8개 GPU 지연 시간 주장은 둘 다 사실이며, 그 둘 사이의 간극이야말로 대부분의 독자가 실제로 처하게 될 지점이다.

제외된 지역을 포함하는 라이선스 조건. 아키텍처에 관한 그 어떤 것도 그 계산을 바꾸지 못하며, 벤치마크 성능이 아무리 개선되어도 마찬가지다.

그때까지 Duo-1.0-causal-base에 대한 정확한 설명은 이렇습니다. 실제 지연 시간 예산과 자체 채점 평가를 갖춘, 완전하고 게이트 제한이 없는 153GB 연구 번들이며, 날짜가 표기된 뉴스 한 줄이 있는 논문과 리포지토리로 공개되었지만 그 배후에 제품은 없습니다. 이는 프리프린트보다 많은 것입니다 — 가중치는 존재하고 데모도 실행됩니다 — 그리고 한 분기를 계획할 수 있는 모델보다는 상당히 적습니다. 남은 질문은 Duo가 708밀리초 단위로 대화를 이어갈 수 있는지가 아닙니다. 팀 외부의 누군가가 이를 확인하도록 허용될지입니다.