Duo-1.0-causal-base: 153 ГБ весов, статья и ни одного поста о запуске

В 06:32 UTC 12 ноября репозиторий Hugging Face под названием Duo-1.0-causal-base получил первый коммит: 80 файлов, 153,46 ГБ и пакет, содержащий визуально-языковой бэкбон, аудиовизуальный диффузионный трансформер, два кодека, систему распознавания речи и систему принудительного выравнивания. Статья, лежащая в его основе, появилась на arXiv днём ранее. В течение двадцати четырёх часов последовали три родственных репозитория, один из них всё ещё загружается сегодня утром. Собственный новостной блок репозитория, датированный 13 ноября, называет всё это релизом. Почти ничто другое этого не делает. Нет ни анонса запуска, ни размещённого эндпоинта, ни страницы с ценами, ни независимого бенчмарка для Duo-1.0-causal-base, который я могу найти — а файл лицензии, лежащий внутри этих 153 ГБ, исключает Европейский союз, Соединённое Королевство, Южную Корею и Соединённые Штаты из предоставляемых им прав.

Итак, это не публикация о запуске, потому что запуска не было. Это также не публикация об утечке, потому что веса публичны, доступны без ограничений и полны. Далее разделяются две вещи, которые смешиваются всякий раз, когда исследовательская лаборатория выкладывает репозиторий вместо продукта: то, что файлы и статья действительно устанавливают, и то, что пока никто не подтвердил.

Что вышло и в каком порядке

Последовательность можно прочитать по метаданным репозитория, что важно, поскольку это единственная первичная запись.

• Статья — arXiv 2611.15131, Duo: A Reciprocal World Model for Full-Duplex Interaction, двадцать авторов от Hengyuan Cao до Zhenzhong Lan, подана 11 ноября 2026 года. На странице статьи на Hugging Face — 27 голосов «за» и никакого освещения за её пределами.

• Веса — четыре репозитория в организации inclusionAI, которая описывает себя как дом AGI-инициативы Ant Group и на странице проекта которой указано авторское право Ant Research за 2026 год. Duo-1.0-causal-base и Duo-1.2-causal-base были созданы в 06:30 и 06:32 UTC 12 ноября; Duo-1.0-distill — на двадцать пять секунд раньше; Duo-1.0-distill-quant — сегодня утром в 08:09 UTC.

• Код — github.com/inclusionAI/Duo, Apache-2.0, создан 6 ноября, но содержит ровно один коммит с отметкой времени 09:13 UTC сегодня, с шестью звёздами и без форков на момент написания.

• Заявление — блок новостей в README, все три строки датированы 2026/11/13: статья, потоковые конвейеры vLLM-Omni и SGLang-Omni, а также веса v1 и код офлайн-инференса.

Размеры бандлов — это первое, на основе чего читатель может действовать, поскольку они не взаимозаменяемы.

• Duo-1.0-causal-base — 153,46 ГБ в 80 файлах. Веса реализации — 69,07 ГБ, модель Intent — 66,73 ГБ, видео- и аудиокодеки — 11,02 ГБ, речевой стек — 6,54 ГБ и адаптер на 84,8 МБ.

• Duo-1.2-causal-base — 153.46 ГБ в 80 файлах, описывается лишь как «улучшенное качество генерации»; его дистиллированные и квантованные варианты указаны как «скоро появятся».

Duo-1.0-distill — 2,78 ГБ, восемь файлов. Это оверлей, а не модель: он загружается в тот же каталог, что и базовый пакет, и заменяет настройки сэмплера на Euler с четырьмя шагами и flow shift 5.0 — в отличие от пятидесяти шагов при 1.0 для базовой версии.

• Duo-1.0-distill-quant — 47,03 ГБ. Тот же четырёхшаговый оверлей в ModelOpt FP8 с поканальным масштабированием, и в карточке явно указано, что среда выполнения должна поддерживать этот формат или предлагать путь конвертации.

Два модуля и 708-миллисекундные часы

Архитектура понятна по конфигурационным файлам — это больше, чем даёт большинство карточек моделей. Duo делит задачу на две части.

Модуль Intent объявлен как Qwen3VLForConditionalGeneration — 64 слоя при скрытом размере 5120, 64 головы внимания с 8 головами ключей-значений, промежуточный размер 25600, словарь на 151 936 токенов и 27-слойная башня зрения с размером патча 16. Шарды в сумме составляют 66,71 ГБ весов bfloat16. Это большая визуально-языковая модель, и в карточке нигде не указано количество параметров, поэтому класс размера — это вывод из конфигурации, а не цифра от производителя. Поверх неё находится LoRA-адаптер с рангом 8 и alpha 16, нацеленный на проекции query, key, value и output, а также на голову языковой модели, и четыре обучаемых специальных токена: <wait>, <blank>, <chunk_708> и <speak>.

Этот набор токенов — вся идея в миниатюре. На каждом чанке модуль Intent выдаёт либо <speak> с текстом, либо <wait> без содержимого. Решение о том, когда говорить, — это отдельный прогноз от решения о том, что сказать, и именно это отличает модель, которая отвечает, когда вы замолкаете, от модели, которая может вклиниться, сохранять молчание или продолжать говорить, пока вы говорите.

Модуль Realization — это MiniMaxH3DiTModel: 50 слоёв при скрытом размере 5376, 56 голов размерности 128, ширина feed-forward 14336, патч 1×2×2, 24 латентных канала для видео и 32 для аудио, а также двухслойный уточнитель токенов (token refiner), который свёртывает скрытые состояния модуля Intent в conditioning. Он инициализируется из весов MiniMax H3, а в файле NOTICE указана лицензия upstream. Шарды в сумме занимают 66,28 ГБ и содержат 535 тензоров.

Часы, которые связывают их вместе, — это число, которое стоит запомнить. Взаимодействие идёт блоками по 17 видеокадров при 24 кадрах в секунду — 708 миллисекунд. Каждый блок кодируется как пять видеолатентов с разбиением кадров 1-4-4-4-4 и как 2×29 аудиолатентов, поскольку аудио идёт со скоростью 40 латентов в секунду на канал при 32 кГц, один каждые 25 миллисекунд. Позиционное кодирование — это трёхмерный RoPE, привязанный к времени воспроизведения. Маски внимания построены так, что ни один блок не может видеть чистые медиаданные своего собственного будущего, что и делает всю систему каузальной и потоковой, а не диффузионной моделью, которой нужен готовый клип, прежде чем она сможет начать.

Утверждение о задержке соответствует действительности, и речь идёт о конфигурации из восьми GPU.

Раздел статьи о потоковой передаче — самое конкретное в релизе и наименее воспроизводимое на оборудовании, которое есть у большинства читателей.

• Вывод намерения — от 90 до 160 мс на фрагмент.

• Совместная генерация латентов при 768×576 — от 200 до 450 мс.

• Потоковое декодирование — около 30 мс на группу из четырёх кадров.

• Накладные расходы — около 40 мс.

• Итого — 330–650 мс при целевом значении цикла 17/24 секунды, плюс дополнительные 708 мс задержки дискретизации, если высказывание заканчивается в середине окна.

Эти числа получены из конфигурации с восемью GPU. Модуль Intent работает с тензорным параллелизмом на четырёх рангах на GPU 0–3 вместе с распознавателем речи; diffusion transformer распределяется по всем восьми, выбирая для каждого чанка тензорный параллелизм или параллелизм по последовательности в зависимости от того, что минимизирует время цикла при ограничении по памяти; потоковый VAE разбивает пространство на четыре части на GPU 4–7. GPU 0–3 выполняют Intent для чанка k+1, пока GPU 4–7 декодируют чанк k. Выход выдаётся в виде однокадрового якоря плюс четыре пакета по четыре кадра, и минимальный интервал воспроизведения — 1/24 секунды, примерно 41,7 мс, — намеренно длиннее 30 мс декодирования, чтобы буфер мог сглаживать джиттер.

А теперь сопоставьте это с требованиями из README. Эталонное офлайн-развёртывание требует двух CUDA-GPU — одной для Intent и кодеков, другой для Realization — двух сред Python, поскольку закреплённый пакет qwen-asr тянет за собой собственную версию Transformers, и FFmpeg в PATH. Именно в такой конфигурации фактически работает поставляемая демонстрация. Цифра 330–650 мс предполагает восемь GPU и модель, которая не указана. Обе цифры честные; они отвечают на разные вопросы, а разрыв между ними — это расстояние между результатом из статьи и системой, которую можно собрать на этой неделе.

93,3% — это авторы, проверяющие собственный экзамен.

Эта оценка необычна в том отношении, о котором стоит сказать прежде, чем где-либо будет назван процент.

Тридцать случаев дуплексной связи в реальном времени были воспроизведены параллельно на общей временной шкале и оценены при нормальной скорости воспроизведения со звуком по шести бинарным критериям с письменно сформулированными условиями невыполнения: отзывчивость контента, соблюдение языка, разборчивость речи, стабильность визуальной идентичности, аудиовизуальная синхронизация и аудиовизуальная эмоциональная согласованность. Из 180 проверок 168 прошли — 93,3%. Девяносто из девяноста проверок прошли по совокупности критериев соблюдения языка, разборчивости речи и стабильности визуальной идентичности. Эмоциональная согласованность составила 96,7%, совпадение губ — 90,0%, а отзывчивость контента — 73,3%, или 22 из 30.

Далее следуют три вещи, и только первая — лестная.

Во-первых, 93,3% по 180 бинарным проверкам с письменно зафиксированными условиями неудачи — это более опровержимое утверждение, чем Elo в таблице лидеров, а анализ ошибок необычно конкретен: шутки и косвенные замечания, требующие от модели смотреть дальше буквального значения слов, и намерения, которые проясняются только при совместном прочтении речи и видео — пример из статьи: пользователь в помещении упоминает велосипед из сервиса совместного использования, когда начинается дождь, а модель восприняла это как просьбу о совете, а не как смену сцены.

Во-вторых, судьи — это авторы. Нет стороннего запуска, нет слепого попарного исследования, нет панели внешних рецензентов. Бинарная рубрика с письменно зафиксированными условиями — правильный инструмент; применять её к собственным результатам — не независимая верификация.

В-третьих, и это самое показательное, в статье нигде нет сравнения с базовым уровнем. Единственное количественное сопоставление — это абляция по синтезу данных: на последовательности длительностью шестьдесят секунд из десяти шестисекундных блоков базовый метод теряет 34,2 уровня яркости к девятому блоку, тогда как предлагаемый метод стабилизируется примерно на 99. Related work — Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid — обсуждается качественно, без прямых сравнительных числовых данных. В статье также нигде не указаны количество параметров или объёмы обучающих данных. Поэтому честный вывод таков: Duo v1 оценивался по рубрике, а не в сравнении с другой моделью.

Лицензия — это то, что решает, какой будет ваша неделя.

Это тот раздел, который меняет решения о закупках, и он погребён в 17-КБ файле LICENSE, а не в текстовом описании карточки модели.

Веса не распространяются под Apache-2.0. Репозиторий кода — да; веса — нет. Каждый чекпоинт Duo несёт minimax-h3-community-license, поскольку модуль Realization был инициализирован на основе MiniMax H3, и лицензия следует вместе с производной работой. Соглашение внутри пакета датировано 2 августа 2026 года и определяет «M​iniMax» как Nanonoble Pte. Ltd.

Его предоставление прав ограничено территориально. «Применимая территория» означает весь мир, за исключением исключённых территорий, а к исключённым территориям относятся Европейский союз, Соединённое Королевство, Республика Корея и Соединённые Штаты Америки. Текст лицензии предлагает всем на этих территориях связаться с M​iniMax по поводу получения лицензии «на основе надёжных средств контроля и ограничительных механизмов», что является маршрутом, а не разрешением.

Практически: исследовательская группа в Сингапуре, Швейцарии, Японии, Индии, Бразилии или Канаде может скачать и запустить это уже сегодня на указанных условиях. Команда в Сан-Франциско, Лондоне, Берлине или Сеуле — не может, если буквально читать файл, и не должна обнаруживать это в конце двухнедельной интеграции. Эта асимметрия — ещё и причина того, почему проверять перед тем, как что-либо планировать, нужно лицензию, а не бенчмарк.

Что вы можете реально запустить сегодня

Офлайн-путь документирован и краток. Клонируйте репозиторий, создайте два виртуальных окружения — одно для Realization, другое для речевого стека — скачайте базовый набор, скопируйте configs/inference.example.json в configs/inference.json, укажите в нём пути к весам и двум исполняемым файлам Python, затем запустите run_demo.py --config configs/inference.json --port 4173. Интерфейс — это страница браузера по адресу /video/index.html.

Для потоковой передачи README указывает на две ветки: vLLM-Omni, отмеченную как рекомендуемая, и SGLang-Omni. Именно этот путь описывают показатели задержки, и именно он требует конфигурации с восемью GPU.

Два предостережения о том, что вы увидите. Демонстрации на странице проекта взяты из обучающих данных и офлайн-инференса — там так и сказано, и добавляется, что результаты в реальном времени в полнодуплексном режиме «будут добавлены в ближайшее время». Кроме того, релиз явно обозначен как предварительный: «Duo v1 — это предварительный релиз для исследователей», поддерживающий «базовый аудиовизуальный диалог», при этом для v2 обещано, что Realization будет напрямую обусловливаться пользовательскими аудио и видео для визуального взаимодействия. Если вам интересна модель, которая наблюдает за вами и реагирует на объекты, такой возможности в этом выпуске нет.

Кому стоит обратить внимание на этой неделе, а кому лучше подождать

• Исследование полнодуплексного взаимодействия — это самый конкретный открытый релиз в категории: статья с бюджетом задержки, тактовым генератором чанков, рецептом дистилляции и весами, которые действительно скачиваются. Дистилляция с двойным роллаутом — развёртывание замороженного модуля Intent и последующая генерация медиа из собственных выходов модели, а не из записанной истории — это переносимая идея, даже если вы никогда не запускаете Duo.

• Команды, создающие аватар или продукт-компаньон, — стоит прочитать хотя бы ради одной формулировки про 708 мс. Именно это число решает, воспринимается ли реплика как живая реакция человека или как задержка, и это проектное ограничение, которое можно взять на вооружение, не перенимая саму модель.

• Команды в исключённых территориях — подождите, и рассматривайте обсуждение лицензии как критический путь, а не бюджет на GPU.

• Всем, кто хочет API, — это не про это. В карточке модели прямо сказано, что ни один провайдер инференса её не обслуживает и что вендорского эндпоинта нет.

Последний пункт — это то, где роутер честно уместен, а где нет. OrcaRouter не размещает Duo-1.0-causal-base и не может маршрутизировать его: 153-гигабайтный двухмодульный диффузионный стек с фиксированным тактом чанков 708 мс не является целью chat-completions, и никакой объём маршрутизации этого не меняет. Маршрутизировать можно резервный вариант на основе ходов, который большинство команд поставляет, пока дуплексный эксперимент работает за флагом — речь на входе, языковая модель, речь на выходе. Этап вывода речи может быть размещённой моделью текст-в-речь, а не ещё одним процессом на тех же двух GPU, и выполнение этого через один API для более чем 200 моделей с передачей каталожной цены провайдера без наценки 0% сохраняет расчёт затрат неизменным, когда поставщик меняет цену. Автоматическое переключение при сбое относится к этим размещённым этапам, а не к самостоятельно размещённому: оно поддерживает демонстрацию в рабочем состоянии, когда у провайдера перебои, и ничего не даёт стеку, который вы запускаете на собственном оборудовании.

Другое добросовестное применение — это дисциплина оценки. Держите продакшен-путь на моделях, которые вы можете вызывать, а Duo-1.0-causal-base рассматривайте как стендовый эксперимент с письменно зафиксированной рубрикой оценки — и, учитывая, что единственную существующую рубрику применяли сами её авторы, это именно то, чем он и является.

Что изменило бы вердикт

Три вещи, в порядке возрастания их значимости.

Третья сторона, оценивающая шесть критериев на промптах, которые команда Duo не выбирала. Рубрика уже опубликована, поэтому это дёшево для того, кто возьмётся, и дорого для модели, если содержательная отзывчивость действительно составляет 73,3% на невиданных случаях.

Размещённая конечная точка или рецепт обслуживания, не предполагающий наличия восьми GPU. Офлайн-демо на двух GPU и утверждение о задержке на восьми GPU оба верны, и разрыв между ними — это то, где на самом деле будет находиться большинство читателей.

Условия лицензии, включающие исключённые территории. Ничто в архитектуре не меняет эту арифметику, и никакое улучшение результатов бенчмарков тоже этого не делает.

До тех пор точное описание Duo-1.0-causal-base таково: полный исследовательский пакет объёмом 153 ГБ без ограничений доступа, с реальным бюджетом задержки и самооценкой, выпущенный в виде статьи и репозитория с датированной новостью и без продукта за этим. Это больше, чем препринт, — веса есть, и демо работает, — и значительно меньше, чем модель, вокруг которой можно планировать квартал. Открытый вопрос не в том, может ли Duo вести разговор фрагментами по 708 миллисекунд. Он в том, разрешат ли кому-либо вне команды это проверить.