Realtime-Venus vs SeedRealtime: Duas maneiras opostas de estar indisponível

Realtime-Venus e SeedRealtime são as duas metades da mesma história de 2026, e falham em testes opostos. SeedRealtime é o modelo full-duplex audiovisual nativo da ByteDance, ativado dentro do app Doubao em 5 de agosto de 2026 gratuitamente, alcançando um público que seu criador descreve na casa das centenas de milhões — sem API, sem identificador de modelo, sem preço e sem meta de latência. Realtime-Venus é um par de checkpoints de 9B da Venus Team da Ant Group e da Universidade Tsinghua, publicados em 12 de setembro de 2026 sob Apache-2.0 com um relatório técnico e nenhum anúncio, presentes em um repositório que qualquer engenheiro pode baixar e quase ninguém consegue implantar de forma realista. Um deles você não consegue chamar. O outro você pode baixar e então descobrir que não tem nada em que chamá-lo. Ambos estão genuinamente na fronteira da mesma capacidade, e nenhum dos dois tem um benchmark que alguém fora de seus próprios autores tenha reproduzido.

Dois sabores de "você não pode ter isso"

Vale a pena ser preciso, porque a expressão "não disponível" esconde uma diferença real.

O SeedRealtime está indisponível da mesma forma que um produto de consumo está indisponível: ele existe, funciona, tem usuários, e a porta está simplesmente fechada para desenvolvedores. Não há API, nem tabela de preços, nem portal de documentação, e nenhum prazo declarado para um deles. A rota da ByteDance até o mercado tem sido o aplicativo, e o aplicativo tem sido suficiente. O que você obtém como construtor é uma demonstração que você pode experimentar e não consegue integrar.

Realtime-Venus está indisponível da maneira como um artefato de pesquisa está indisponível: os pesos são públicos, a licença é permissiva, o código está lá, e ninguém o está executando. O repositório não é implantado por nenhum provedor de inferência, e os downloads não são rastreados de forma alguma, portanto não há sinal público de adoção em nenhum dos sentidos. Ele está disponível no sentido que importa para um pesquisador e indisponível no sentido que importa para um gerente de produto.

Em conjunto, elas enquadram a questão em que toda esta categoria está presa no momento: os modelos que funcionam estão atrás de apps para consumidores, e os modelos que você consegue executar não estão em produção em lugar nenhum.

Ambos estão no patamar que realmente distingue 2026.

Uma forma útil de ler o campo de tempo real é em três níveis. O primeiro é voz half-duplex com visão acoplada — assistentes baseados em turnos que conseguem ver, mas ainda alternam a vez. O segundo é áudio full-duplex, ouvindo e falando ao mesmo tempo sem câmera: o Seeduplex da própria ByteDance, o GPT-Live da OpenAI, o Grok Voice Think Fast 2.0 da xAI. O terceiro é full-duplex audiovisual, em que a percepção e a expressão se estendem continuamente por vídeo e áudio.

SeedRealtime é o primeiro modelo do terceiro nível a alcançar implantação comercial em larga escala. Realtime-Venus é um participante de pesos abertos no mesmo nível — vídeo por meio de um codificador SigLIP2, áudio por meio do Whisper-Medium, um backbone Qwen3-8B e um ciclo de interação de um segundo que nunca para de perceber. Seu cartão de modelo afirma que ele foi adaptado do MiniCPM-o 4.5, o modelo omnimodal da OpenBMB lançado anteriormente em 2026, o que coloca a contribuição do Ant Group no pós-treinamento e no runtime, e não na arquitetura base.

O que eles têm em comum, e o que os coloca um patamar acima dos sistemas apenas de áudio, é que nenhum dos dois pausa para olhar. A percepção visual contínua durante a fala é uma capacidade genuinamente diferente de descrever um único quadro, e ambos os modelos foram construídos em torno disso.

Quanto valem os números de cada um

Nenhum dos dois modelos tem um benchmark de terceiros. No entanto, as evidências não são equivalentes, e a diferença importa.

• A SeedRealtime não publica nenhum benchmark. O que a ByteDance oferece é uma afirmação de que problemas de ritmo de diálogo — falar por cima do usuário, responder tarde, ser acionado pelo ruído de um estranho — caem cerca de metade em comparação com um sistema em cascata, segundo avaliações humanas ponta a ponta. Os dados subjacentes não são publicados.

• Os números do antecessor têm o mesmo formato. Relatou-se que o Seeduplex, o modelo apenas de áudio que a ByteDance lançou no Doubao em abril de 2026, teria reduzido pela metade as taxas de falsas respostas e falsas interrupções, cortado a latência de endpoint em cerca de 250 milissegundos, reduzido respostas prematuras em 40% e elevado a satisfação com chamadas em 8,34 pontos em um teste A/B de grande escala. Tudo relatado pelo fornecedor.

• Realtime-Venus publica uma tabela. Seu relatório afirma melhores pontuações em seis de oito benchmarks de vídeo, incluindo StreamingBench 70.2, OVO-Bench 64.7 e Daily-Omni 81.3, e lidera em MMAU 78.0, MMAU-Pro 63.2, Llama Questions 83.8 e Speech CMMLU 67.8 para o checkpoint de áudio.

• Nenhum dos dois foi reproduzido. Uma tabela publicada que ninguém verificou e um teste A/B não publicado que ninguém pode verificar são tipos distintos de ausência de verificação. Nenhum dos dois é evidência sobre a qual se possa basear uma decisão de compra.

A única comparação que vale a pena fazer dentro dos números do Realtime-Venus é com a sua própria base. O MiniCPM-o 4.5 reporta 80,2 no Daily-Omni; o Realtime-Venus-Omni reporta 81,3. Um ganho de um ponto sobre o modelo do qual foi adaptado, em um benchmark que esse modelo já dava conta, é um resultado plausível para um esforço de pós-treinamento e de runtime — e uma alegação muito menor do que "melhor em seis de oito" sugere por si só.

O problema da alternância de turnos, que é onde o full-duplex reside.

Full-duplex não é um recurso de latência. É um conjunto de comportamentos: saber quando uma pausa significa "estou pensando" em vez de "terminei", distinguir a conversa de um terceiro da pessoa que está falando com você, e ficar em silêncio durante um backchannel em vez de tratar "mm-hm" como uma interrupção.

A abordagem da SeedRealtime é modelar o estado conversacional de forma nativa e descartar totalmente o detector externo de atividade de voz, de modo que a alternância de turnos seja um comportamento aprendido dentro da rede, e não um limiar aplicado a um fluxo de áudio. Esse é o mesmo compromisso arquitetural assumido pela Realtime-Venus, e ambas se posicionam contra os sistemas em cascata que precisam de um componente separado para decidir quem fala.

O ponto em que as evidências divergem é que a afirmação da SeedRealtime diz respeito à implantação em escala — centenas de milhões de usuários, salas reais, ruído real —, enquanto a da Realtime-Venus diz respeito a um benchmark. Os resultados do Full-Duplex-Bench v1.5 para o Realtime-Venus-Audio — 75% de resposta a interrupções, continuação de 97% sob backchannels, 88% sob fala dirigida a outra pessoa e 86% sob fala de fundo, superando Gemini 3.1 Live e GPT-4o em continuação — são os números mais diretamente relevantes que qualquer um dos modelos publicou para este problema. Eles também são inteiramente autorrelatados, e 97% de continuação sob backchannels é um número impressionante que merece um segundo leitor antes que alguém o cite como fato.

Onde cada um deixa um construtor

A lacuna prática não é a qualidade, é o formato da oferta.

• SeedRealtime — você pode experimentá-lo no Doubao gratuitamente e integrá-lo nunca. Não há caminho de "isto é impressionante" para "isto está no meu produto."

• Realtime-Venus — você pode baixá-lo, ajustá-lo finamente, executá-lo em ambiente air-gapped e inspecionar cada camada. O custo é de dois checkpoints de 9B em BF16, com cerca de dezoito gigabytes de pesos cada, além de um loop de streaming contínuo por segundo, o que significa um nó de GPU que cobra independentemente de alguém fazer chamadas.

• Nenhum dos dois tem uma opção hospedada. Nenhum dos dois pode ser experimentado com uma chave e uma tarde.

Esse último ponto é a razão pela qual os dois modelos são mais úteis como par do que como oponentes. Em conjunto, eles demonstram que ambas as metades do problema estão resolvidas — a capacidade funciona, e os pesos podem ser liberados — enquanto mostram que ninguém ainda as combinou em algo que um desenvolvedor possa de fato invocar.

Existe uma solução alternativa à qual muitas equipes recorrerão, e vale deixar claro o que ela cobre e o que não cobre. Se você não consegue obter a camada de voz, ainda pode construir a parte que pensa. O Realtime-Venus delega seu trabalho caro — recuperação, raciocínio complexo, chamadas de API de negócios — a um harness em segundo plano por meio de marcadores de delegação assíncrona, e essa etapa delegada é inferência de texto comum. O OrcaRouter não inclui nem o Realtime-Venus nem o SeedRealtime; ambas as camadas duplex estão fora do que oferecemos, e não hospedamos nenhuma delas. Quase 200 modelos de texto por trás de uma única chave, pelo preço de tabela do provedor e sem acréscimo são a metade da arquitetura que cobrimos, com failover automático para que uma tarefa em segundo plano não falhe porque um upstream teve um dia ruim, uma DSL de roteamento para compor vários modelos em uma única chamada, e fusão de modelos quando o julgamento de um único modelo não basta. Não é a parte difícil desses sistemas. É a parte que realmente dá para comprar.

O que mudaria esta comparação

Três desenvolvimentos resolveriam a questão, e nenhum deles aconteceu até agora. Um benchmark independente do Realtime-Venus, porque uma tabela sem um segundo leitor é uma alegação, e não um resultado. Uma API para o SeedRealtime, porque o modelo com a evidência de implantação mais forte é atualmente o que ninguém consegue usar. E um número de latência publicado por qualquer um dos dois — o tempo até o primeiro áudio é a métrica pela qual esta categoria é comprada, e até o momento desta redação nenhum dos dois modelos informou um.

Até então, o resumo honesto é que a SeedRealtime é a prova de que o full-duplex audiovisual funciona em escala de consumidor, e a Realtime-Venus é a prova de que os pesos podem ser abertos, e nenhum desses fatos aproxima um desenvolvedor de lançar um produto. Isso não é uma crítica a nenhum dos dois laboratórios. É a descrição de uma categoria que resolveu o problema de pesquisa e ainda não o de distribuição.