Wygenerowana karta tytułowa do artykułu „Avatar 6 vs Realtime Venus”, z nadtytułem „PORÓWNANIE MODELI AVATAR”, dużym tytułem „Avatar 6 vs Realtime Venus”, podtytułem „Renderer i listener, porównane przez pomyłkę” oraz trzema kartami w formie pigułek o treści „wideo, do 2K”, „mowa, Apache-2.0” i „różne zadania”.
Engineering & Research

Avatar 6 vs Realtime Venus: renderer i listener, porównani przez pomyłkę

Autor

Elias Hawthorne

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Zestawiając Avatar 6 i Realtime Venus w jednym zdaniu, pierwszą rzeczą, którą trzeba powiedzieć, jest to, że jedno z nich nie może pokazać ci twarzy. Realtime Venus to pełnodupleksowy model interakcyjny Ant Group — system 9B, który słucha, gdy mówi, rozumie dźwięk w kontekście tego, co widzi, i deleguje pracę w tle. Jego wynikami są mowa i decyzje. Nie generuje wideo, nie renderuje prezentera i nie ma pojęcia obrazu referencyjnego. Avatar 6, który HeyGen udostępniło 17 listopada 2026 r., robi dokładnie jedną rzecz: animuje osobę na podstawie zdjęcia lub krótkiego klipu, sterowany dostarczonym przez ciebie dźwiękiem, i zwraca wideo w rozdzielczości do 2K.

To porównanie jest więc błędem kategorii, a jego użyteczna wersja to pytanie projektowe. Jeśli budujesz coś, gdzie na ekranie pojawia się człowiek i prowadzi swoją stronę rozmowy, potrzebujesz obu rodzajów systemów, a decyzja, która ma znaczenie, dotyczy tego, po której stronie stosu masz kontrolę. I tu te dwa rozwiązania ostro się rozchodzą — jedno można pobrać, drugie można tylko wynająć.

Dwa zestawy dowodów, oba uczciwe co do swoich ograniczeń

Realtime Venus pojawia się tak, jak pojawiają się otwarte badania: raport arXiv (2609.13814), wagi Apache-2.0 na Hugging Face pod inclusionAI/Realtime-Venus, dwa checkpointy 9B oraz strona projektu z demami. Nie było wpisu premierowego, API, ceny ani żadnego benchmarku, który odtworzyłby podmiot zewnętrzny. Każda liczba, którą się z nim wiąże, pochodzi z raportu technicznego, który autorzy napisali o własnym modelu.

Avatar 6 ma przeciwny zestaw: stronę produktu, dwa identyfikatory, punkt końcowy REST, darmowy plan i raport techniczny, którego badania preferencji zostały w całości przeprowadzone przez HeyGen na oceniających HeyGen. Ma jednak jedną rzecz, której Venus nie ma — zewnętrzny pomiar. Opublikowana 18 listopada ślepa arena New Measure umieściła go na pierwszym miejscu w obu swoich rankingach z wynikami 1 197 i 1 237 Elo, na klipach nie dłuższych niż 35 sekund.

Oba nagłówkowe wskaźniki czytaj jako twierdzenia, a nie wyniki badań. 84,4% HeyGen to 42,2% wskaźnika wygranych w porównaniu bezpośrednim, przeskalowanego względem 50-procentowego poziomu odniesienia; jego własne badanie pojedynczego klipu ocenia Avatar 6 na 65,1% uznanych za prawdziwe wobec 78,9% dla nieedytowanego materiału. 97% kontynuacji backchannel Venus pochodzi z Full-Duplex-Bench v1.5, protokołu wybranego przez jego autorów. Żadna z tych liczb nie jest nieuczciwa i żadnej nie powtórzył podmiot, który nie ma nic do sprzedania — choć Avatar 6 przynajmniej został oceniony przez obcych, po pół minuty naraz.

A generated two-column scoreboard titled 'Avatar 6 vs Realtime Venus — the scoreboard'. Left column 'Avatar 6': Backbone undisclosed; Input reference media plus audio; Output video up to 2880x1620; Turn-taking none, it performs a script; Duration 25-28 min demonstrated; Access and licence HeyGen credits. Right column 'Realtime Venus': Backbone 9B omni: SigLIP2, Whisper-Medium, Qwen3-8B; Input continuous audio and video streams; Output speech and text, no pixels; Turn-taking full duplex, 97% backchannel; Duration a running session, 40,960-token context; Access and licence Apache-2.0 weights. The footer reads 'Venus scores self-reported in arXiv 2609.13814. Avatar 6 per HeyGen plus New Measure.'

Z czego składa się każdy system

• Backbone — Avatar 6: nieujawniony; HeyGen opisuje go jako swój najinteligentniejszy model awatara i nie dokumentuje żadnej architektury. Realtime Venus: model omni 9B z modułem wizji SigLIP2, modułem audio Whisper-Medium i językowym backbone'em Qwen3-8B, zaadaptowany z MiniCPM-o 4.5 zgodnie z kartą modelu.

• Modalność wejściowa — Avatar 6: jeden obraz referencyjny lub jedno wideo referencyjne oraz audio mowy. Realtime Venus: ciągłe strumienie audio i wideo oraz kontekst delegowanego zadania.

• Modalność wyjściowa — Avatar 6: wideo z zsynchronizowaną mową, do 2880×1620 przez Model API. Realtime Venus: mowa, tekst i sygnały sterujące; bez pikseli.

• Czas trwania — Avatar 6: tak długo jak audio, zademonstrowano ciągłe renderowanie trwające 25–28 minut. Realtime Venus: działająca sesja, z kontekstem 40 960 tokenów i bezuczeniową pamięcią długich wideo, która przechowuje i przywołuje wybrane klatki.

• Zmiana tur — Avatar 6: brak. Odtwarza scenariusz; nie ma nikogo, kto mógłby przerwać. Realtime Venus: pełny dupleks, z wyważoną reakcją na przerwanie i zdolnością do kontynuowania mówienia przez kanał zwrotny.

• Dostęp — Avatar 6: REST API, z wymogiem zgody, rozliczane w kredytach HeyGen. Realtime Venus: wagi na Hugging Face i ModelScope, brak hostowanego punktu końcowego, brak ceny.

• Licencja — Avatar 6: warunki komercyjne w ramach konta HeyGen. Realtime Venus: Apache-2.0.

Ten ostatni wiersz jest tym, który na nowo porządkuje porównanie. Avatar 6 to usługa. Realtime Venus to model. Wszystko inne z tego wynika.

A screenshot of HeyGen's research page for 'Avatar 6: Talking Avatars That Are More Like You', dated 17 November 2026 and marked a 17-minute read, with the abstract stating that Avatar 6 reproduces how a person looks, speaks and moves from a single photo, up to 2K, with no length limit.

Różnica w zakupach jest prawdziwą różnicą.

Jeśli chcesz mieć Realtime Venus na produkcji, pobierasz go, przygotowujesz GPU i bierzesz na siebie problem serwowania. Dwa checkpointy 9B, BF16, eksport ONNX obok safetensors, APK na Androida do eksperymentów na urządzeniu oraz osobne repozytorium harness do pętli delegowania. Nikt nie wyśle ci rachunku i nikt nie wycofa twojego endpointu, ale też nikt nie naprawi twojego opóźnienia. Dla zespołu badawczego to zaleta. Dla zespołu produktowego to kwartał pracy przed pierwszym użytecznym wynikiem.

Jeśli chcesz uruchomić Avatar 6 w środowisku produkcyjnym, rejestrujesz się, pobierasz klucz i wywołujesz POST /v3/models/avatars z obrazem referencyjnym i adresem URL audio. Otrzymujesz video_id z powrotem w odpowiedzi 202, odpytujesz i pojawia się podpisany URL. Przepływ zgody jest bardziej wymagający niż u większości dostawców — realistyczne nagranie referencyjne człowieka wymaga dostępu Enterprise oraz oświadczenia przed kamerą zawierającego jednorazowy kod specyficzny dla sesji — ale integracja to jedno popołudnie, a nie kwartał.

Tego, czego nie można zrobić w przypadku Avatar 6, to wycenić go za jednostkę. HeyGen podaje 0,02 USD za sekundę dla HeyGen Video 1 i nic równoważnego dla Avatar 6; publiczna strona z cennikiem sprzedaje Creator za 29 USD/mies. za 600 kredytów, a Pro za 49 USD/mies. za 1000 kredytów, bez publikowania przelicznika kredytów na sekundy. Realtime Venus ma odwrotny problem: koszt krańcowy wywołania to Twój rachunek za prąd, a koszt stały to GPU, które musisz komuś uzasadnić.

Gdzie te dwa rzeczywiście by się spotkały

Wyobraź sobie produkt, którego oba te elementy są częściami: osoba zadaje pytanie głosem, coś decyduje, co powiedzieć, a twarz wypowiada to z odpowiednim wyrazem twarzy i gestem przy ważnym słowie. Realtime Venus obejmuje pierwsze dwa kroki — słyszy cię, decyduje, kiedy mówić, i potrafi nadal słuchać, gdy mówi. Avatar 6 obejmuje ostatni z nich i robi to lepiej niż cokolwiek innego obecnie dostępnego w sprzedaży, według jedynego niezależnego panelu, który się temu przyjrzał.

Kłopot tkwi w szwie. Avatar 6 wymaga kompletnego pliku audio — wideo ma długość audio, które mu przekażesz, a nie ma trybu strumieniowego, wejścia z częściowym audio ani sposobu na dołączanie. Realtime Venus generuje mowę przyrostowo, w miarę rozwoju rozmowy. Połączenie ich oznacza buforowanie wyników Venus w skończoną wypowiedź, wysyłanie jej do HeyGen, czekanie na render, który niezależna arena zmierzyła na typowo 175,6 sekundy, i odtwarzanie wideo wygenerowanego po tym, jak ten moment już minął. To nie jest rozmowa. To rozmowa zamawiana pocztą.

W wersji czasu rzeczywistego potrzebujesz renderera, który generuje wideo w miarę napływania mowy, a to inny produkt. Muse Realtime Avatar od Meta to najbliższy dostępny przykład; Tavus Griffin, w podglądzie badawczym, to kolejny. Avatar 6 nie jest tym, a HeyGen nigdy nie twierdził, że jest — jego budżet opóźnienia to budżet wsadowy, co potwierdzają dane areny: jedno na dziesięć renderów awatara osobistego HeyGen zajmowało ponad dziewięć i pół minuty.

Co Wenus mierzy, a czego nie mierzy nic innego w tym miejscu

Interesujące liczby w raporcie Venus to nie oceny jakości. To liczby behawioralne i opisują problem, którego Avatar 6 nie ma, ponieważ Avatar 6 nie słucha.

Full-Duplex-Bench v1.5 osiąga 97% kontynuacji w przypadku backchanneli użytkownika, 88% dla mowy kierowanej do innych i 86% dla mowy w tle, przy odrębnym 75-procentowym wskaźniku reakcji na rzeczywiste przerwania. Wspólny sens tych czterech liczb polega na tym, że model odróżnia „mm-hm” od „czekaj, stop” — kontynuuje w pierwszym przypadku, a ustępuje w drugim. Wyniki rozumienia wynoszą 70,2% na StreamingBench, 64,7% na OVO-Bench, 81,3% na Daily-Omni i 78,0% na MMAU audio. Dokładność delegowania na wewnętrznym benchmarku zespołu wynosi 75,93% dla checkpointu Omni i 68,89% dla checkpointu Audio, co mierzy, czy model poprawnie decyduje o przekazaniu zadania dalej, a nie czy zadanie zostaje wykonane.

To są przydatne cele inżynieryjne dla każdego, kto buduje agenta konwersacyjnego, i nie zostały one odtworzone. Uczciwa interpretacja jest taka, że Venus jest wiarygodnym otwartym punktem odniesienia dla zachowań pełnodupleksowych, opublikowanym wraz z wagami, aby można było zweryfikować to twierdzenie, oraz że nikt spoza Ant Group i Tsinghua nie opublikował weryfikacji.

Gdzie znajduje się OrcaRouter

Żadne z nich nie jest nasze do sprzedania. Realtime Venus to wagi i publikacja, za którymi nie ma nic, co nasłuchuje; Avatar 6 to renderer HeyGen, kontrolowany przez mechanizm zgód HeyGen i opłacany kredytami HeyGen. Propozycja routingu, która zacierałaby którąkolwiek z tych granic, byłaby kłamstwem — i to takim, które ujawnia się w pierwszym sprincie, a nie w prezentacji sprzedażowej.

To, co faktycznie dostarczamy, to odnoga delegowanego rozumowania, na której opierają się obie architektury. Sama konstrukcja Venus kieruje zadania w tle do modelu multimodalnego, modelu ogólnego lub zarejestrowanej umiejętności; scenariusz Avatar 6 musi być przez coś napisany. To właśnie ta warstwa — jeden klucz obejmujący ponad 200 modeli, w cenie katalogowej dostawcy bez narzutu, a dzięki automatycznemu przełączaniu awaryjnemu — naprawdę eliminuje pracę, ponieważ to jedyny element w obu tych potokach, w którym masz wybór dostawcy.

A screenshot of the OrcaRouter Models page, showing the filter sidebar and the header reading 226 models, with the tabs All 226, Cyber 11, Text 190 and Image 12.

Lektura, która przetrwa zetknięcie z roadmapą

Jeśli Twój problem brzmi: „potrzebujemy prezentera na ekranie wygłaszającego nasze słowa, na dużą skalę, w tym kwartale”, Avatar 6 jest odpowiedzią, a Realtime Venus nie wchodzi w grę. Zaakceptuj trzy niewiadome — brak publikowanej ceny za sekundę, brak niezależnego testu dłuższego niż 35 sekund i typowy czas renderowania liczony w minutach — i przeprowadź pilotaż.

Jeśli twój problem brzmi: „potrzebujemy czegoś, co potrafi utrzymać rozmowę głosową i zdecydować, kiedy mówić”, Realtime Venus jest poważnym otwartym baseline’em, a Avatar 6 jest nieistotny, ponieważ nie ma uszu. Weź wagi Apache-2.0, zaplanuj koszt serwowania i traktuj każdy raportowany wynik jako własny autorów, dopóki ktoś go nie odtworzy.

Jeśli Twoim problemem jest „oba” — twarz, która prowadzi rozmowę — żadne z nich nie jest produktem, a luka między nimi to miejsce, w którym rozstrzygnie się kolejne dwanaście miesięcy tej kategorii. Renderer, który strumieniuje, napędzany listenerem, który decyduje, w cenie, którą można modelować: nikt jeszcze tego nie dostarczył. Kiedy ktoś to zrobi, tę stronę trzeba będzie przepisać.