Duo-1.0-causal-base: 153 GB aan gewichten, een paper en geen lanceringsbericht

Op 12 november om 06:32 UTC kreeg een Hugging Face-repository genaamd Duo-1.0-causal-base zijn eerste commit: 80 bestanden, 153,46 GB, en een pakket met een visie-taal-backbone, een audiovisuele diffusietransformer, twee codecs, een spraakherkenner en een forced aligner. De paper erachter was de dag ervoor op arXiv verschenen. Binnen vierentwintig uur volgden drie zusterrepositories, waarvan er vanmorgen nog een aan het uploaden was. Het eigen nieuwsblok van de repository, gedateerd op 13 november, noemt het geheel een release. Bijna niets anders doet dat. Er is geen launchpost, geen gehost endpoint, geen prijspagina en geen onafhankelijke benchmark voor Duo-1.0-causal-base die ik kan vinden — en het licentiebestand dat in die 153 GB zit, sluit de Europese Unie, het Verenigd Koninkrijk, Zuid-Korea en de Verenigde Staten uit van de licentieverlening.

Dit is dus geen lanceringsartikel, want er was geen lancering. Het is ook geen lekartikel, want de gewichten zijn openbaar, zonder toegangsbeperking en compleet. Wat volgt scheidt de twee zaken die door elkaar gaan lopen zodra een onderzoekslab een repository publiceert in plaats van een product: wat de bestanden en het paper daadwerkelijk aantonen, en wat nog niemand heeft bevestigd.

Wat is er geland, en in welke volgorde?

De volgorde is af te lezen uit de metadata van de repository, wat van belang is omdat dit de enige first-party registratie is.

• Het artikel — arXiv 2611.15131, Duo: een wederkerig wereldmodel voor full-duplexinteractie, twintig auteurs van Hengyuan Cao tot Zhenzhong Lan, ingediend op 11 november 2026. De Hugging Face-pagina van het artikel toont 27 upvotes en geen verdere berichtgeving.

• De gewichten — vier repositories onder de inclusionAI-organisatie, die zichzelf omschrijft als de thuisbasis van het AGI-initiatief van Ant Group en op wier projectpagina een copyright van Ant Research uit 2026 staat. Duo-1.0-causal-base en Duo-1.2-causal-base zijn aangemaakt om 06:30 en 06:32 UTC op 12 november; Duo-1.0-distill vijfentwintig seconden eerder; Duo-1.0-distill-quant vanochtend om 08:09 UTC.

• De code — github.com/inclusionAI/Duo, Apache-2.0, aangemaakt op 6 november maar met precies één commit, voorzien van tijdstempel 09:13 UTC vandaag, met zes sterren en geen forks op het moment van schrijven.

• De verklaring — het nieuwsblok in de README, alle drie de regels gedateerd 2026/11/13: de paper, de streaming-pipelines vLLM-Omni en SGLang-Omni, en de v1-weights plus offline-inferentiecode.

De bundelgroottes zijn het eerste waar een lezer iets mee kan doen, omdat ze niet uitwisselbaar zijn.

Duo-1.0-causal-base — 153,46 GB verdeeld over 80 bestanden. Realisatiegewichten 69,07 GB, Intent-model 66,73 GB, video- en audiocodecs 11,02 GB, spraakstack 6,54 GB, en een adapter van 84,8 MB.

Duo-1.2-causal-base — 153,46 GB verdeeld over 80 bestanden, alleen omschreven als "verbeterde generatiekwaliteit", waarbij de gedistilleerde en gequantiseerde varianten als "binnenkort beschikbaar" staan vermeld.

• Duo-1.0-distill — 2,78 GB, acht bestanden. Een overlay, geen model: het wordt gedownload naar dezelfde map als het basispakket en vervangt de samplerinstellingen door Euler met vier stappen en een flow shift van 5,0, tegenover vijftig stappen bij 1,0 voor de basis.

• Duo-1.0-distill-quant — 47,03 GB. Dezelfde vierstaps-overlay in ModelOpt FP8 met per-channel scaling, en de kaart is expliciet dat de runtime dat formaat moet ondersteunen of een conversieroute moet bieden.

Twee modules en een klok van 708 milliseconden

De architectuur is af te lezen uit de configuratiebestanden, wat meer is dan de meeste modelkaarten je bieden. Duo splitst de taak in tweeën.

De Intent-module is gedeclareerd als Qwen3VLForConditionalGeneration — 64 lagen bij 5120 hidden, 64 attention-heads met 8 key-value-heads, een tussenliggende grootte van 25600, een vocabulaire van 151.936 tokens en een vision tower van 27 lagen met een patchgrootte van 16. De shards komen samen op 66,71 GB aan bfloat16-gewichten. Dat is een groot vision-language-model, en de modelkaart vermeldt nooit een parameteraantal, dus de grootteklasse is een afleiding uit de config in plaats van een leveranciersopgave. Daarbovenop zit een LoRA-adapter met rank 8 en alpha 16, gericht op de query-, key-, value- en output-projecties plus de language-model-head, en vier trainbare speciale tokens: <wait>, <blank>, <chunk_708> en <speak>.

Die tokenset is het hele idee in het klein. Bij elke chunk geeft de Intent-module ofwel <speak> met tekst of <wait> zonder iets. Bepalen wanneer er wordt gepraat is een aparte voorspelling van bepalen wat er wordt gezegd, en dat is het verschil tussen een model dat antwoordt wanneer jij stopt en een model dat kan tussenkomen, stilte kan bewaren of kan blijven praten terwijl jij dat doet.

De Realization-module is een MiniMaxH3DiTModel: 50 lagen bij 5376 verborgen, 56 heads van dimensie 128, een feed-forwardbreedte van 14336, een 1×2×2-patch, 24 latente kanalen voor video en 32 voor audio, en een tweelaagse token-refiner die de verborgen toestanden van de Intent-module in de conditionering vouwt. Hij is geïnitialiseerd vanuit MiniMax H3-gewichten, en het NOTICE-bestand vermeldt de upstream-licentie. De shards omvatten in totaal 66,28 GB verdeeld over 535 tensors.

De klok die ze met elkaar verbindt, is het getal dat je moet onthouden. Interactie verloopt in blokken van 17 videoframes bij 24 frames per seconde — 708 milliseconden. Elk blok wordt gecodeerd als vijf videolatenten met een framesplitsing van 1-4-4-4-4, en als 2×29 audiolatenten, omdat audio loopt op 40 latenten per seconde per kanaal bij 32 kHz, één per 25 milliseconden. Positionele codering is driedimensionale RoPE gekoppeld aan de afspeeltijd. De attention masks zijn zo opgebouwd dat geen enkel blok de schone media van zijn eigen toekomst kan zien, en dat is wat het geheel causaal en streamable maakt in plaats van een diffusiemodel dat de voltooide clip nodig heeft voordat het kan beginnen.

De latencyclaim is echt, en het is een claim voor acht GPU's.

Het streaminggedeelte van het paper is het meest concrete onderdeel van de release, en het minst reproduceerbaar op de hardware die de meeste lezers hebben.

• Intentie-inferentie — 90 tot 160 ms per chunk.

• Gezamenlijke latente generatie bij 768×576 — 200 tot 450 ms.

• Streaming-decodering — ongeveer 30 ms per groep van vier frames.

• Overhead — ongeveer 40 ms.

• Totaal — 330 tot 650 ms, tegen een cyclusdoel van 17/24 seconde, met nog eens 708 ms samplingvertraging als een uiting midden in het venster eindigt.

Die cijfers komen uit een opstelling met acht GPU's. De Intent-module draait tensor-parallel over vier ranks op GPU's 0–3, naast de spraakherkenner; de diffusietransformer wordt over alle acht verdeeld en kiest per chunk tensor- of sequentieparallelisme, afhankelijk van wat de cyclustijd onder de geheugenbeperking minimaliseert; de streaming-VAE wordt ruimtelijk in vier delen opgesplitst op GPU's 4–7. GPU's 0–3 draaien Intent voor chunk k+1, terwijl GPU's 4–7 chunk k decoderen. De uitvoer wordt vrijgegeven als een anker van één frame plus vier pakketten van vier frames, en het kortste afspeelinterval, 1/24 seconde bij ongeveer 41,7 ms, is bewust langer dan de decodering van 30 ms, zodat de buffer jitter kan opvangen.

Lees nu de eisen in de README daarmee samen. De referentie-offline-implementatie vraagt om twee CUDA-GPU's — één voor Intent en de codecs, één voor Realization — twee Python-omgevingen omdat het vastgepinde qwen-asr-pakket zijn eigen Transformers-versie meesleept, en FFmpeg op het pad. Dat is de configuratie waarop de meegeleverde demo daadwerkelijk draait. Het cijfer van 330 tot 650 ms gaat uit van acht GPU's van een niet-gespecificeerd model. Beide cijfers zijn eerlijk; ze beantwoorden verschillende vragen, en de kloof ertussen is de afstand tussen een resultaat uit een paper en een machine die je deze week kunt bouwen.

93,3% is de auteurs die hun eigen examen nakijken.

De evaluatie is ongebruikelijk op een manier die het verdient om te worden vermeld voordat het percentage ergens wordt geciteerd.

Dertig realtime-duplexcases werden naast elkaar afgespeeld op een gedeelde tijdlijn en beoordeeld bij normale afspeelsnelheid met geluid, aan de hand van zes binaire criteria met schriftelijk vastgelegde faalcondities: inhoudelijke responsiviteit, taalnaleving, spraakverstaanbaarheid, stabiliteit van visuele identiteit, audiovisuele synchronisatie en audiovisuele emotionele consistentie. Van de 180 controles slaagden er 168 — 93,3%. Op taalnaleving, spraakverstaanbaarheid en stabiliteit van visuele identiteit samen slaagden negentig van de negentig. Emotionele consistentie kwam uit op 96,7%, lipuitlijning op 90,0% en inhoudelijke responsiviteit op 73,3%, oftewel 22 van de 30.

Drie dingen volgen, en alleen het eerste is vleiend.

Ten eerste is 93,3% over 180 binaire controles met schriftelijk vastgelegde faalvoorwaarden een falsifieerbaarder bewering dan een Elo op een ranglijst, en de faalanalyse is ongewoon specifiek: grappen en indirecte opmerkingen waarbij het model voorbij de letterlijke woorden moet lezen, en intentie die pas duidelijk wordt wanneer spraak en video samen worden gelezen — het voorbeeld uit het paper is een gebruiker binnenshuis die een deelfiets noemt terwijl het begint te regenen, wat het model opvatte als een verzoek om advies in plaats van een scènewisseling.

Ten tweede zijn de beoordelaars de auteurs. Er is geen uitvoering door een derde partij, geen blinde paarsgewijze studie, geen panel van externe beoordelaars. Een binaire rubric met schriftelijke voorwaarden is het juiste instrument; het toepassen ervan op je eigen resultaten is geen onafhankelijke verificatie.

Ten derde, en het meest veelzeggend, staat er nergens in het artikel een vergelijking met een baseline. Het enige kwantitatieve contrast is een ablatie op datasynthese: over een reeks van zestig seconden bestaande uit tien blokken van zes seconden verliest de baseline tegen het negende blok 34,2 luma-niveaus, terwijl de voorgestelde methode stabiliseert op ongeveer 99. Gerelateerd werk — Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid — wordt kwalitatief besproken zonder rechtstreekse vergelijkingscijfers. Het artikel vermeldt ook nooit parameteraantallen of de omvang van de trainingsdata. De eerlijke samenvatting is dus dat Duo v1 tegen een rubric is afgemeten, niet tegen een ander model.

De licentie is het onderdeel dat je week bepaalt.

Dit is de sectie die inkoopbeslissingen verandert, en die ligt begraven in een LICENSE-bestand van 17 KB in plaats van in de tekst van de modelkaart.

De gewichten zijn niet Apache-2.0. De coderepository wel; de gewichten niet. Elk Duo-checkpoint draagt minimax-h3-community-license, omdat de Realization-module is geïnitialiseerd vanuit MiniMax H3 en de licentie met de afgeleide meegaat. De overeenkomst in de bundel is gedateerd op 2 augustus 2026 en definieert "MiniMax" als Nanonoble Pte. Ltd.

De verlening ervan is territoriaal beperkt. "Toepasselijk grondgebied" betekent wereldwijd met uitzondering van de Uitgesloten grondgebieden, en de Uitgesloten grondgebieden zijn de Europese Unie, het Verenigd Koninkrijk, de Republiek Korea en de Verenigde Staten van Amerika. De licentietekst nodigt iedereen in die gebieden uit om contact op te nemen met M​iniMax over het verkrijgen van een licentie "op basis van robuuste controles en waarborgen," wat een route is, geen toestemming.

In de praktijk: een onderzoeksgroep in Singapore, Zwitserland, Japan, India, Brazilië of Canada kan dit vandaag downloaden en uitvoeren onder de vermelde voorwaarden. Een team in San Francisco, Londen, Berlijn of Seoul kan dat niet, bij een gewone lezing van het bestand, en zou daar niet pas aan het einde van een integratie van twee weken achter moeten komen. Die asymmetrie is ook de reden waarom de licentie — niet de benchmark — het punt is dat je moet controleren voordat je iets inplant.

Wat je vandaag daadwerkelijk kunt uitvoeren

Het offline pad is gedocumenteerd en kort. Kloon de repository, bouw twee virtuele omgevingen — één voor Realization, één voor de spraakstack — download een basisbundel, kopieer configs/inference.example.json naar configs/inference.json, verwijs daarin naar de gewichten en de twee Python-uitvoerbare bestanden, en start run_demo.py --config configs/inference.json --port 4173. De interface is een browserpagina op /video/index.html.

Voor streaming verwijst de README naar twee branches: vLLM-Omni, gemarkeerd als aanbevolen, en SGLang-Omni. Dat is het pad dat de latentiecijfers beschrijven, en het pad dat de indeling met acht GPU's vereist.

Twee kanttekeningen bij wat je zult zien. De demo's op de projectpagina zijn afkomstig uit trainingsdata en offline-inferentie — dat staat er ook, en er wordt aan toegevoegd dat realtime full-duplexresultaten "binnenkort worden toegevoegd." En de release is expliciet een preview: "Duo v1 is een previewrelease voor onderzoekers," met ondersteuning voor "basis audiovisuele gesprekken," waarbij v2 belooft Realization rechtstreeks te conditioneren op de audio en video van de gebruiker voor visuele interactie. Als je interesse uitgaat naar een model dat naar je kijkt en reageert op objecten, dan zit die mogelijkheid niet in deze release.

Wie moet zich deze week druk maken, en wie kan wachten

• Onderzoek naar full-duplex interactie — dit is de meest concrete open release in de categorie: een paper met een latentiebudget, een chunkklok, een distillatierecept en gewichten die je daadwerkelijk kunt downloaden. De dual-rollout-distillatie — de bevroren Intent-module uitrollen en vervolgens media genereren op basis van de eigen outputs van het model, in plaats van op basis van vastgelegde geschiedenis — is het overdraagbare idee, zelfs als je Duo nooit draait.

• Teams die een avatar- of metgezelproduct bouwen — alleen al vanwege de framing van 708 ms de moeite van het lezen waard. Dat is het getal dat bepaalt of een tussenwerpsel als een persoon of als vertraging aanvoelt, en het is een ontwerpbeperking die je kunt overnemen zonder het model over te nemen.

• Teams in de uitgesloten gebieden — wacht, en behandel het licentiegesprek als het kritieke pad in plaats van het GPU-budget.

• Iedereen die een API wil — dit is dat niet. De modelkaart vermeldt duidelijk dat geen enkele inferentieprovider het aanbiedt, en er is geen leverancierseindpunt.

Dat laatste punt is waar een router echt past en waar niet. OrcaRouter host Duo-1.0-causal-base niet en kan het niet routeren: een diffusiestack van 153 GB met twee modules en een vaste chunkklok van 708 ms is geen doelwit voor chat-completions, en geen enkele mate van routing verandert daar iets aan. Wat wel routeerbaar is, is de beurtgebaseerde fallback die de meeste teams leveren terwijl een duplex-experiment achter een flag draait — spraak in, een taalmodel, spraak uit. Het spraak-uitgedeelte kan een gehost tekst-naar-spraakmodel zijn in plaats van een ander proces op dezelfde twee GPU's, en dat via één API doen voor meer dan 200 modellen, waarbij de lijstprijs van de provider tegen 0% markup wordt doorgegeven, houdt de kostenberekening ongewijzigd wanneer een leverancier een prijs wijzigt. Automatische failover hoort bij die gehoste delen, niet bij het zelfgehoste deel: het houdt een demo in leven wanneer een provider hapert, en het doet niets voor een stack die je op je eigen hardware draait.

Het andere eerlijke gebruik is evaluatiediscipline. Houd het productiepad op modellen die je kunt aanroepen, en behandel Duo-1.0-causal-base als een bench-experiment met een schriftelijke rubric — wat, gezien het feit dat de enige bestaande rubric door de auteurs ervan is toegepast, precies is wat het is.

Wat zou het vonnis veranderen?

Drie dingen, in oplopende volgorde van hoeveel ze zouden uitmaken.

Een derde partij die de zes criteria scoort op prompts die het Duo-team niet heeft gekozen. De rubric is al gepubliceerd, waardoor dit goedkoop is voor iemand om te doen en duur voor het model als contentresponsiviteit echt 73,3% is bij ongeziene gevallen.

{{1}}Een gehost endpoint{{/1}} of {{2}}een serveerrecept{{/2}} dat niet uitgaat van acht GPU's. De {{3}}offline demo met twee GPU's{{/3}} en de {{4}}latencyclaim met acht GPU's{{/4}} zijn beide waar, en de kloof daartussen is waar de meeste lezers in de praktijk zullen zitten.

Licentievoorwaarden die de uitgesloten territoria omvatten. Niets aan de architectuur verandert die rekensom, en geen enkele benchmarkverbetering doet dat ook.

Tot dan is de accurate beschrijving van Duo-1.0-causal-base deze: een complete onderzoeksbundel van 153 GB zonder toegangsbeperkingen, met een echt latentiebudget en een zelfgescoorde evaluatie, uitgebracht als een paper en een repository met een gedateerde nieuwsregel en geen product erachter. Dat is meer dan een preprint — de gewichten zijn er en de demo draait — en aanzienlijk minder dan een model waar je een kwartaal op kunt plannen. De open vraag is niet of Duo een gesprek kan voeren in blokken van 708 milliseconden. Het is of iemand buiten het team toestemming krijgt om het te controleren.