Duo-1.0-causal-base: 153 GB modellvikter, en artikel och inget lanseringsinlägg

Klockan 06:32 UTC den 12 november gjorde ett Hugging Face-repository som heter Duo-1.0-causal-base sin första commit: 80 filer, 153,46 GB och ett paket som innehöll en vision-språk-backbone, en audiovisuell diffusionstransformer, två codecs, en taligenkännare och en forced aligner. Artikeln bakom det hade lagts upp på arXiv dagen innan. Tre systerrepositorier följde inom tjugofyra timmar, ett av dem laddades fortfarande upp i morse. Repositoryts eget nyhetsblock, daterat den 13 november, kallar allt detta för en release. Nästan inget annat gör det. Det finns inget lanseringsinlägg, ingen hostad endpoint, ingen prissida och ingen oberoende benchmark för Duo-1.0-causal-base som jag kan hitta — och licensfilen som ligger inuti de där 153 GB utesluter Europeiska unionen, Storbritannien, Sydkorea och USA från sitt licensbeviljande.

Så det här är inte en lanseringsartikel, eftersom det inte fanns någon lansering. Det är inte heller en läckartikel, eftersom vikterna är offentliga, utan åtkomstbegränsning och kompletta. Det som följer skiljer på de två saker som suddas ut varje gång ett forskningslabb släpper ett arkiv i stället för en produkt: vad filerna och artikeln faktiskt fastställer, och vad ingen ännu har bekräftat.

Vad landade, och i vilken ordning

Sekvensen går att läsa ut från förvarsmetadata, vilket är viktigt eftersom det är den enda förstapartsregistreringen.

• Artikeln – arXiv 2611.15131, Duo: En ömsesidig världsmodell för full-duplex-interaktion, tjugo författare från Hengyuan Cao till Zhenzhong Lan, inlämnad 11 november 2026. Hugging Face-sidan för artikeln visar 27 uppröster och ingen bevakning utöver det.

• Vikterna — fyra repositorier under organisationen inclusionAI, som beskriver sig som hemmet för Ant Groups AGI-initiativ och vars projektsida har en Ant Research-copyright från 2026. Duo-1.0-causal-base och Duo-1.2-causal-base skapades kl. 06:30 och 06:32 UTC den 12 november; Duo-1.0-distill tjugofem sekunder tidigare; Duo-1.0-distill-quant i morse kl. 08:09 UTC.

• Koden — github.com/inclusionAI/Duo, Apache-2.0, skapad 6 november men innehåller exakt en commit, tidsstämplad 09:13 UTC idag, med sex stjärnor och inga forks vid skrivandets stund.

• Påståendet – README-filens nyhetsblock, alla tre raderna daterade 2026/11/13: artikeln, streamingpipelines för vLLM-Omni och SGLang-Omni samt v1-vikterna plus offline-inferenskod.

Paketstorlekarna är det första en läsare kan agera utifrån, eftersom de inte är utbytbara.

• Duo-1.0-causal-base — 153,46 GB fördelat på 80 filer. Realiseringsvikter 69,07 GB, Intent-modell 66,73 GB, video- och ljudkodekar 11,02 GB, talstack 6,54 GB och en adapter på 84,8 MB.

• Duo-1.2-causal-base — 153,46 GB över 80 filer, beskrivs endast som "förbättrad genereringskvalitet", med sina destillerade och kvantiserade varianter angivna som kommande.

• Duo-1.0-distill — 2,78 GB, åtta filer. Ett överlägg, inte en modell: det laddas ner till samma katalog som baspaketet och ersätter samplerinställningarna med Euler vid fyra steg och en flödesförskjutning på 5,0, mot femtio steg vid 1,0 för basen.

• Duo-1.0-distill-quant — 47,03 GB. Samma fyrastegs-overlay i ModelOpt FP8 med skalning per kanal, och kortet anger uttryckligen att körtidsmiljön måste stödja det formatet eller erbjuda en konverteringsväg.

Två moduler och en klocka på 708 millisekunder

Arkitekturen går att utläsa från konfigurationsfilerna, vilket är mer än vad de flesta modellkort ger dig. Duo delar upp jobbet i två delar.

Intent-modulen deklareras som Qwen3VLForConditionalGeneration – 64 lager med 5120 dolda dimensioner, 64 uppmärksamhetshuvuden med 8 key-value-huvuden, en mellanliggande storlek på 25600, ett ordförråd på 151 936 token och ett 27-lagrigt visionstorn med patchstorlek 16. Shardarna uppgår sammanlagt till 66,71 GB bfloat16-vikter. Det är en stor vision-språkmodell, och modellkortet anger aldrig något parameterantal, så storleksklassen är en slutsats från konfigurationen snarare än en leverantörssiffra. Ovanpå det sitter en LoRA-adapter med rang 8 och alpha 16, som riktar sig mot query-, key-, value- och output-projektionerna plus språkmodellshuvudet, och fyra tränbara specialtoken: <wait>, <blank>, <chunk_708> och <speak>.

Den tokenuppsättningen är hela idén i miniatyr. För varje chunk skickar Intent-modulen antingen <speak> med text eller <wait> utan något. Att avgöra när man ska tala är en separat prediktion från att avgöra vad man ska säga, vilket är skillnaden mellan en modell som svarar när du slutar och en som kan inflika, hålla tystnad eller fortsätta tala medan du gör det.

Realization-modulen är en MiniMaxH3DiTModel: 50 lager med 5376 dolda enheter, 56 huvuden med dimension 128, en feed-forward-bredd på 14336, en 1×2×2-patch, 24 latenta kanaler för video och 32 för ljud, samt en tvålagers token-refiner som fogar in Intent-modulens dolda tillstånd i konditioneringen. Den initieras från MiniMax H3-vikter, och NOTICE-filen anger den uppströms licensen. Shardarna uppgår till totalt 66,28 GB fördelat på 535 tensorer.

Klockan som binder dem samman är talet värt att memorera. Interaktionen körs i block om 17 videobildrutor vid 24 bildrutor per sekund – 708 millisekunder. Varje block kodas som fem video-latenter med en bildruteuppdelning på 1-4-4-4-4, och som 2×29 ljud-latenter, eftersom ljudet löper med 40 latenter per sekund och kanal vid 32 kHz, en var 25:e millisekund. Positionskodningen är en tredimensionell RoPE knuten till uppspelningstiden. Attention-maskerna är konstruerade så att inget block kan se det rena mediet från sin egen framtid, vilket är det som gör helheten kausal och strömningsbar i stället för en diffusionsmodell som behöver det färdiga klippet innan den kan börja.

Latenspåståendet stämmer, och det gäller åtta GPU:er.

Artikelns streamingavsnitt är det mest konkreta i utgåvan, och det minst reproducerbara på den hårdvara som de flesta läsare har.

• Avsiktsinferens — 90 till 160 ms per chunk.

• Gemensam latent generering vid 768×576 – 200 till 450 ms.

Strömmande avkodning – cirka 30 ms per grupp om fyra bildrutor.

• Overhead – cirka 40 ms.

• Totalt — 330 till 650 ms, mot ett cykelmål på 17/24 sekund, med ytterligare 708 ms samplingsfördröjning om ett yttrande slutar mitt i fönstret.

De siffrorna kommer från en uppsättning med åtta GPU:er. Intent-modulen kör tensor-parallellt över fyra ranks på GPU 0–3 tillsammans med taligenkännaren; diffusion-transformatorn sprids över alla åtta och väljer tensor- eller sekvensparallelism per chunk beroende på vilket som minimerar cykeltiden under minnesbegränsningen; den strömmande VAE:n delas rumsligt upp i fyra delar på GPU 4–7. GPU 0–3 kör Intent för chunk k+1 medan GPU 4–7 avkodar chunk k. Utdata släpps som ett enbildsankare plus fyra paket med fyra bildrutor vardera, och det kortaste uppspelningsintervallet, 1/24 sekund vid ungefär 41,7 ms, är medvetet längre än avkodningens 30 ms så att bufferten kan absorbera jitter.

Läs nu README-filens krav mot det. Referensdistributionen för offline-drift kräver två CUDA-GPU:er – en för Intent och kodekarna, en för Realization – två Python-miljöer eftersom det pinnade qwen-asr-paketet drar in sin egen Transformers-version, och FFmpeg i PATH. Det är den konfiguration som den medföljande demon faktiskt kör. Siffran 330 till 650 ms förutsätter åtta GPU:er för en modell som inte anges. Båda siffrorna är ärliga; de besvarar olika frågor, och gapet mellan dem är avståndet mellan ett artikelresultat och en maskin du kan bygga den här veckan.

93,3 % är författarna som rättar sitt eget prov

Utvärderingen är ovanlig på ett sätt som förtjänar att nämnas innan procenttalet citeras någonstans.

Trettio realtidsduplexfall spelades upp sida vid sida på en gemensam tidslinje och bedömdes vid normal uppspelningshastighet med ljud, mot sex binära kriterier med skriftliga felvillkor: innehållsresponsivitet, språklig följsamhet, talbegriplighet, visuell identitetsstabilitet, audiovisuell synkronisering och audiovisuell emotionell konsistens. Av 180 kontroller godkändes 168 – 93,3 %. Nittio av nittio godkändes sammantaget för språklig följsamhet, talbegriplighet och visuell identitetsstabilitet. Emotionell konsistens landade på 96,7 %, läppsynkronisering på 90,0 % och innehållsresponsivitet på 73,3 %, eller 22 av 30.

Tre saker följer, och bara den första är smickrande.

För det första är 93,3 % över 180 binära kontroller med skriftliga felvillkor ett mer falsifierbart påstående än ett Elo på en resultattavla, och felanalysen är ovanligt specifik: skämt och indirekta kommentarer som kräver att modellen läser bortom de bokstavliga orden, och avsikter som bara blir tydliga när tal och video läses tillsammans — artikelns exempel är en användare inomhus som nämner en delad cykel när det börjar regna, vilket modellen behandlade som en begäran om råd snarare än en scenförändring.

För det andra är domarna författarna. Det finns ingen tredjepartskörning, ingen blind parvis studie, ingen panel med externa granskare. En binär bedömningsrubrik med skriftliga villkor är rätt instrument; att tillämpa den på dina egna utdata är inte oberoende verifiering.

För det tredje, och mest talande, finns det ingen jämförelse med en baslinje någonstans i artikeln. Den enda kvantitativa kontrasten är en ablation på datasyntes: över en sextiosekunders sekvens av tio sexsekundersblock förlorar baslinjen 34,2 lumanivåer vid det nionde blocket, medan den föreslagna metoden stabiliseras på omkring 99. Relaterat arbete — Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid — diskuteras kvalitativt utan direkta jämförelsetal. Artikeln anger heller aldrig parameterantal eller volymer för träningsdata. Så den ärliga sammanfattningen är att Duo v1 har mätts mot en bedömningsrubrik, inte mot en annan modell.

Licensen är den del som avgör din vecka.

Det här är avsnittet som förändrar upphandlingsbeslut, och det ligger begravt i en LICENSE-fil på 17 kB i stället för i modellkortets löptext.

Vikterna är inte Apache-2.0. Kodförrådet är det; vikterna är det inte. Varje Duo-checkpoint bär minimax-h3-community-license, eftersom Realization-modulen initierades från MiniMax H3 och licensen följer med derivatet. Avtalet i paketet är daterat den 2 augusti 2026 och definierar "MiniMax" som Nanonoble Pte. Ltd.

Dess beviljande är territoriellt begränsat. "Tillämpligt territorium" avser hela världen med undantag för de uteslutna territorierna, och de uteslutna territorierna är Europeiska unionen, Förenade kungariket, Republiken Korea och Amerikas förenta stater. Licenstexten uppmanar alla i dessa territorier att kontakta M​iniMax om att erhålla en licens "baserat på robusta kontroller och skyddsräcken", vilket är en väg, inte ett tillstånd.

I praktiken: en forskargrupp i Singapore, Schweiz, Japan, Indien, Brasilien eller Kanada kan ladda ner och köra detta idag under de angivna villkoren. Ett team i San Francisco, London, Berlin eller Seoul kan inte det, vid en rak läsning av filen, och bör inte få reda på det först i slutet av en två veckor lång integration. Den asymmetrin är också anledningen till att det är licensen – inte benchmarken – som man bör kontrollera innan man planerar in något.

Vad du faktiskt kan köra idag

Det offlinebaserade förfarandet är dokumenterat och kort. Klona repot, skapa två virtuella miljöer – en för Realization, en för talstacken – ladda ned ett baspaket, kopiera configs/inference.example.json till configs/inference.json, peka den mot vikterna och de två Python-körbara filerna och starta run_demo.py --config configs/inference.json --port 4173. Gränssnittet är en webbläsarsida på /video/index.html.

För streaming hänvisar README till två grenar: vLLM-Omni, markerad som rekommenderad, och SGLang-Omni. Det är den väg som latenssiffrorna beskriver, och den som kräver upplägget med åtta GPU:er.

Två förbehåll om vad du kommer att se. Demonstationerna på projektsidan är hämtade från träningsdata och offline-inferens – det står det, och det tillägger att resultat för full duplex i realtid "kommer att läggas till snart." Och släppet är uttryckligen en förhandsversion: "Duo v1 är en förhandsversion för forskare," som stöder "grundläggande audiovisuell konversation," medan v2 utlovas villkora Realization direkt på användarens ljud och video för visuell interaktion. Om ditt intresse är en modell som tittar på dig och reagerar på objekt, finns inte den förmågan i det här släppet.

Vilka bör bry sig den här veckan, och vilka bör vänta?

• Forskning om full-duplex-interaktion — detta är det mest konkreta öppna släppet i kategorin: en artikel med en latensbudget, en chunk-klocka, ett destillationsrecept och vikter som faktiskt går att ladda ner. Destillationen med dubbla rollouts — att rulla ut den frysta Intent-modulen och sedan generera media från modellens egna utdata, i stället för från inspelad historik — är den överförbara idén även om du aldrig kör Duo.

• Team som bygger en avatar- eller följeslagarprodukt – värt att läsa enbart för inramningen kring 708 ms. Det är siffran som avgör om en inpass känns som en person eller som en fördröjning, och det är en designbegränsning du kan anamma utan att anamma modellen.

• Team i de uteslutna territorierna – vänta, och behandla licensdiskussionen som den kritiska vägen snarare än GPU-budgeten.

• Den som vill ha ett API – det här är inte det. Modellkortet anger klart och tydligt att ingen inferensleverantör tillhandahåller det, och det finns ingen leverantörsslutpunkt.

Den sista punkten är där en router ärligt passar och där den inte gör det. OrcaRouter har inte Duo-1.0-causal-base och kan inte routa det: en 153 GB tvåmodulsdiffusionsstack med en fast 708 ms chunk-klocka är inte ett mål för chat-completions, och ingen mängd routning ändrar på det. Det som går att routa är den turbaserade reservlösning som de flesta team levererar medan ett duplexexperiment körs bakom en flagga – tal in, en språkmodell, tal ut. Tal-ut-delen kan vara en hostad text-till-tal-modell i stället för ännu en process på samma två GPU:er, och att göra det via ett enda API för fler än 200 modeller med leverantörens listpris vidarebefordrat vid 0 % påslag håller kostnadsaritmetiken oförändrad när en leverantör ändrar ett pris. Automatisk failover hör till de hostade delarna, inte till den självhostade: det håller en demo vid liv när en leverantör vacklar, och det gör ingenting för en stack som du kör på din egen hårdvara.

Den andra ärliga användningen är utvärderingsdisciplin. Håll produktionsvägen på modeller som du kan anropa och behandla Duo-1.0-causal-base som ett bänkexperiment med en skriftlig bedömningsmall – vilket, med tanke på att den enda befintliga bedömningsmallen tillämpades av dess författare, är precis vad det är.

Vad skulle ändra domen?

Tre saker, i stigande ordning efter hur mycket de skulle betyda.

En tredje part som poängsätter de sex kriterierna på promptar som Duo-teamet inte valde. Bedömningsmallen är redan publicerad, vilket gör det billigt för någon att göra och dyrt för modellen om innehållsresponsiviteten verkligen är 73,3 % på osedda fall.

En värdbaserad slutpunkt eller ett serveringsrecept som inte förutsätter åtta GPU:er. Både offline-demon med två GPU:er och latenspåståendet för åtta GPU:er är sanna, och glappet mellan dem är där de flesta läsare faktiskt kommer att befinna sig.

Licensvillkor som omfattar de uteslutna territorierna. Inget i arkitekturen förändrar den aritmetiken, och inte heller någon förbättring av benchmarkresultat gör det.

Fram till dess är den korrekta beskrivningen av Duo-1.0-causal-base denna: ett komplett forskningspaket på 153 GB utan åtkomstspärr, med en realistisk latensbudget och en självskattad utvärdering, släppt som en artikel och ett kodförråd med en daterad nyhetsrad och ingen produkt bakom sig. Det är mer än en preprint – vikterna finns där och demon körs – och betydligt mindre än en modell som man kan planera ett kvartal kring. Den öppna frågan är inte om Duo kan föra en konversation i segment om 708 millisekunder. Det är om någon utanför teamet kommer att tillåtas granska.