Realtime-Venus: Full-Duplex 9B ของ Ant Group ถูกปล่อยออกมาโดยไม่มีการเปิดตัว

เมื่อวันที่ 12 กันยายน 2026 มีรายงานทางเทคนิคเผยแพร่บน arXiv ซึ่งบรรยายถึง Realtime-Venus ระบบปฏิสัมพันธ์แบบ full-duplex ที่สร้างจากโมเดล 9B ซึ่งฝึกแยกกันสองตัว — Realtime-Venus-Omni สำหรับการปฏิสัมพันธ์แบบเสียง-ภาพ และ Realtime-Venus-Audio สำหรับการปฏิสัมพันธ์แบบเสียงพูด — โดยระบุเครดิตเป็นของ Venus Team ที่ Ant Group ซึ่งทำงานร่วมกับ Tsinghua University ภายในไม่กี่วัน รีโพซิทอรี Apache-2.0 ภายใต้ inclusionAI/Realtime-Venus บน Hugging Face ก็มีเช็กพอยต์ทั้งสองให้ดาวน์โหลดเป็น BF16 safetensors พร้อมกับหน้าโปรเจกต์และรีโพซิทอรี GitHub ที่เกี่ยวข้อง สิ่งที่ไม่ได้ปรากฏคือส่วนที่น่าสังเกต: ไม่มีโพสต์เปิดตัว ไม่มีหน้าผลิตภัณฑ์ ไม่มี API ไม่มีรายการราคา และไม่มีสิ่งใดบนช่องทางของ Ant Group เองที่ประกาศว่าสิ่งใดในนั้นมีอยู่จริง นี่คือการเปิดตัวที่ปล่อยทุกสิ่งยกเว้นการประกาศ ซึ่งทำให้การแยกข้อเท็จจริงที่ยืนยันแล้วออกจากข้อกล่าวอ้างกลายเป็นงานทั้งหมด

จริง ๆ แล้วมีอะไรอยู่บนดิสก์

รีโพซิทอรีนี้ไม่ใช่สตับ เปล่า ๆ แต่มีไดเรกทอรีโมเดลอยู่สองไดเรกทอรี แต่ละอันมีไฟล์น้ำหนัก safetensors ที่แบ่งเป็นชาร์ด มีไฟล์คอนฟิก และมีโค้ด Hugging Face Transformers แบบกำหนดเองที่การ์ดแนะนำให้คุณโหลดด้วย trust_remote_code=True นอกจากนี้ยังมีไฟล์ requirements มีโฟลเดอร์ assets ที่เก็บทรัพยากรสำหรับแปลงโทเคนเป็นรูปคลื่นเสียงและเสียงอ้างอิง และมีสัญญาอนุญาต Apache-2.0 อยู่ที่ระดับบนสุด การ์ดนี้ระบุวิธีติดตั้งสำหรับ Python 3.10 ร่วมกับ CUDA และ FFmpeg พร้อมทั้งมิร์เรอร์ ModelScope และช่องทางดาวน์โหลดจาก Hugging Face น้ำหนักโมเดลมีอยู่จริง โค้ดก็อยู่ครบ และไม่มีอะไรขวางกั้นคุณจากการดาวน์โหลดมันในวันนี้

การไม่มีอยู่สองอย่างบอกข้อมูลได้พอ ๆ กับเนื้อหา ประการแรกคือรีโพซิทอรีระบุอย่างชัดเจนว่ามันไม่ได้ถูกดีพลอยโดยผู้ให้บริการอินเฟอเรนซ์รายใด — ไม่มีเอนด์พอยต์ที่โฮสต์ไว้ ไม่มีตัวเลือกแบบเซิร์ฟเวอร์เลส ไม่มีแพลตฟอร์มของบุคคลที่สามที่รองรับมัน ประการที่สองคือไม่มีการติดตามจำนวนดาวน์โหลดเลย ซึ่งหมายความว่าไม่มีสัญญาณสาธารณะว่ามีกี่คนที่ดึงมันไป โมเดลหนึ่งอาจดูเหมือนถูกนำไปใช้หรือถูกละเลยบน Hugging Face แต่โมเดลนี้ไม่อาจอ่านสถานะแบบนั้นได้

จุดตรวจสองแห่ง และสิ่งที่แยกทั้งสองออกจากกัน

ทั้งคู่มีขนาด 9B ทั้งคู่ใช้แกนหลักแบบสตรีมมิ่งร่วมกัน และความแตกต่างระหว่างทั้งสองคือสิ่งที่พวกมันสามารถรับรู้ได้

• Realtime-Venus-Omni — เช็คพอยต์แบบภาพและเสียง ตัวเข้ารหัสภาพ SigLIP2 สำหรับเฟรมที่สตรีม ตัวเข้ารหัสเสียง Whisper-Medium และโครงหลักภาษา Qwen3-8B รองรับวิดีโอหรือภาพ เสียง และข้อความ ส่งคืนข้อความ และอาจส่งคืนรูปคลื่นเสียงด้วย

• Realtime-Venus-Audio — แกนหลักเดียวกัน โดยปิดการทำงานของวิชันตั้งแต่ตอนโหลด รับเสียงและข้อความเข้า ส่งข้อความและเสียงพูดออก มีไว้สำหรับกรณีที่กล้องไม่เกี่ยวข้อง และคุณต้องการหน่วยความจำที่กินพื้นที่น้อยลงกับเส้นทางที่เรียบง่ายกว่า

• ข้อกำหนดที่ใช้ร่วมกัน — คอนเท็กซ์ 40,960 โทเค็นบนทั้งคู่ น้ำหนัก BF16 บนทั้งคู่ เสียงถูกสร้างเป็นโทเค็น S3 แบบแยกส่วนที่ถอดรหัสด้วยตัวถอดรหัสแบบ streaming flow-matching แทนที่จะเป็นโมเดลแปลงข้อความเป็นเสียงแยกต่างหากที่นำมาต่อพ่วงไว้ตอนท้าย

• เชื้อสาย — การ์ดโมเดลระบุว่าเช็กพอยต์ Omni ถูกดัดแปลงมาจาก MiniCPM-o 4.5 โมเดล omni-modal ขนาด 9B ที่ OpenBMB เปิดซอร์สเมื่อต้นปี 2026 นั่นไม่ใช่แค่เชิงอรรถ มันหมายความว่าส่วนสนับสนุนของ Ant Group คือ post-training, runtime และการออกแบบการมอบหมายที่วางซ้อนบนแบ็กโบนสตรีมมิ่งของคนอื่น ซึ่งเป็นข้อกล่าวอ้างที่แตกต่างและเจาะจงมากกว่า “โมเดล omni ขนาด 9B ตัวใหม่”

แนวคิดใหม่ที่แท้จริงเพียงหนึ่งเดียว: การมอบหมายในฐานะอีเวนต์สตรีมระดับ first-class

ทุกระบบฟูลดูเพล็กซ์ในปี 2026 ต้องแก้ความขัดแย้งเดียวกันให้ได้ การควบคุมบทสนทนาทำงานที่ระดับความละเอียดตั้งแต่หลักมิลลิวินาทีถึงหนึ่งวินาที การเรียกใช้เครื่องมือ การดึงข้อมูล และการให้เหตุผลที่ซับซ้อนใช้เวลาตั้งแต่ไม่กี่วินาทีถึงหลายสิบวินาที โมเดลที่หยุดเพื่อคิดจะไม่เป็นฟูลดูเพล็กซ์อีกต่อไป ส่วนโมเดลที่ไม่หยุดเลยก็ใช้เครื่องมือไม่ได้

Realtime-Venus ตอบสนองด้วยรันไทม์แบบสองลูป ลูปการโต้ตอบทำงานเป็นช่วงคงที่ครั้งละหนึ่งวินาที โดยนำเข้าคุณลักษณะเสียงและวิดีโออย่างต่อเนื่อง อัปเดตสถานะการสนทนา และตัดสินใจว่าจะฟังหรือพูด ขณะสตรีมข้อความและคำพูดที่จัดแนวให้สอดคล้องกัน ลูปนี้จะไม่หยุดชั่วคราวเมื่อมีงานเบื้องหลังกำลังดำเนินอยู่ ลูปที่สองคือตัวจัดกำหนดการซึ่งบทความเรียกว่า Realtime-Venus-Harness: เมื่อฟรอนต์เอนด์ตัดสินใจว่างานใดเกินขีดความสามารถที่ทำแบบอินไลน์ได้ มันจะส่งการมอบหมายงานแบบอะซิงโครนัสผ่านเครื่องหมายส่วนตัวที่ฝังอยู่ในลำดับซ่อนของตัวเอง และฮาร์เนสจะรันงานนั้นในเบื้องหลังและนำผลลัพธ์กลับมารวมเข้ากับบทสนทนาที่กำลังดำเนินอยู่

รายละเอียดที่ทำให้สิ่งนี้เป็นมากกว่าไดอะแกรม ก็คือสิ่งที่บทความเรียกว่า causal task capture — งานที่ถูกมอบหมายจะถูกประมวลผลบนสแนปช็อตที่แยกออกมาต่างหากของสถานะบทสนทนา เพื่อว่างานเบื้องหลังที่ทำงานยาวนานจะไม่ถูกทำให้เสียหายเพราะบทสนทนาเดินหน้าต่อไประหว่างที่งานนั้นยังทำงานอยู่ นั่นคือโหมดความล้มเหลวที่ทำให้การออกแบบแบบ "มอบหมายแล้วคุยต่อ" ส่วนใหญ่ล้มเหลวในทางปฏิบัติ และมันเป็นสิ่งที่น่าสนใจที่สุดในรายงานฉบับนี้

ฮาร์เนสไม่ได้อยู่ในเวต มันอยู่ในที่เก็บ GitHub ในฐานะองค์ประกอบแยกต่างหาก ซึ่งหมายความว่าส่วนที่ทำให้สถาปัตยกรรมนี้มีเอกลักษณ์คือส่วนที่คุณจะต้องประกอบและเชื่อใจมันด้วยตัวเอง

ตัวเลขเหล่านั้น และแน่ชัดว่าพวกมันเป็นของใคร

ตัวเลขทั้งหมดด้านล่างนี้มาจากรายงานทางเทคนิคและการ์ดโมเดล ไม่มีส่วนใดที่ถูกทำซ้ำโดยผู้ใดนอกคณะผู้เขียน ไม่มีบุคคลที่สามรายใดเผยแพร่ผลการประเมิน และไม่มีรายการบนลีดเดอร์บอร์ดให้ตรวจสอบเทียบเคียง โปรดอ่านสิ่งเหล่านี้ในฐานะผลการวัดของคณะผู้เขียนเอง

• เบนช์มาร์กวิดีโอ, Realtime-Venus-Omni — คะแนนดีที่สุดในหกจากแปดเบนช์มาร์กที่รายงานใช้ รวมถึง StreamingBench 70.2, OVO-Bench 64.7 และ Daily-Omni 81.3

• เบนช์มาร์กด้านเสียง Realtime-Venus-Audio — MMAU 78.0, MMAU-Pro 63.2, Llama Questions 83.8, Speech CMMLU 67.8 และคะแนน VoiceBench AlpacaEval ที่ 4.81 ซึ่งรายงานระบุว่าเทียบเท่ากับตัวเลขที่ดีที่สุดในการเปรียบเทียบ

• Full-Duplex-Bench v1.5 — ตอบสนองต่อการขัดจังหวะของผู้ใช้ 75% โดยมีอัตราการพูดต่อเนื่องที่ 97% ภายใต้เสียงตอบรับ (backchannels) 88% ภายใต้คำพูดที่มุ่งไปยังผู้อื่น และ 86% ภายใต้เสียงพูดพื้นหลัง รายงานระบุว่าค่านี้สูงกว่า Gemini 3.1 Live และ GPT-4o ในตัวชี้วัดความต่อเนื่องทั้งสามรายการ

ตัวเลขของ Daily-Omni เป็นตัวที่ควรหยุดพิจารณา MiniCPM-o 4.5 ซึ่งเป็นโมเดลที่เช็กพอยต์นี้ดัดแปลงมา รายงาน 80.2 บนเบนช์มาร์กเดียวกัน Realtime-Venus-Omni รายงาน 81.3 หากตัวเลขทั้งสองยืนยันได้ การปรับปรุงจากความพยายามด้านหลังการฝึกและการรันไทม์ครั้งใหญ่จะอยู่ที่ประมาณหนึ่งจุดบนเบนช์มาร์กที่โมเดลฐานแข็งแกร่งอยู่แล้ว — ซึ่งเป็นผลลัพธ์ที่สมจริงสำหรับงานลักษณะนี้ และเป็นเรื่องที่ดราม่าน้อยกว่าพาดหัว "ดีที่สุดในหกจากแปด" มาก

สิ่งที่ยังไม่ได้รับการยืนยัน

รายการคำถามที่ยังเปิดอยู่ยาวกว่ารายการคำถามที่ได้ข้อยุติแล้ว และนั่นคือสภาพอันซื่อตรงของแบบจำลองที่อายุได้เพียงหกวัน

• ไม่มีการประเมินที่เป็นอิสระใด ๆ อยู่เลย ไม่ใช่การจัดอันดับในอารีนา ไม่ใช่การทำซ้ำโดยบุคคลที่สาม ไม่ใช่แม้แต่กลุ่มภายนอกเพียงกลุ่มเดียวที่เคยเผยแพร่ตัวเลขใด ๆ ออกมา

• ไม่มีตัวเลขความหน่วงเป็นมิลลิวินาที รายงานอธิบายจังหวะการโต้ตอบทุกหนึ่งวินาที และการ์ดแสดงข้อมูลการเรียกสตรีมมิ่งรายวินาที แต่ไม่มีตัวเลขเวลาถึงเสียงแรกที่เผยแพร่ ซึ่งเป็นเมตริกที่หมวดนี้ซื้อกันจริง ๆ โดยอิงจากค่านี้

• ไม่มี API และไม่มีราคา อีกทั้งไม่มีคำแถลงว่าอย่างใดอย่างหนึ่งกำลังจะมา ไม่เป็นที่ทราบแน่ชัดอย่างแท้จริงว่านี่คือผลิตภัณฑ์ที่รอเปิดตัว หรือเป็นผลงานวิจัยที่จะคงเป็นเพียงไฟล์ดาวน์โหลด

• ไม่มีการระบุเจตนาใด ๆ จากผู้ขาย การที่ไม่มีประกาศไม่ใช่หลักฐานของกลยุทธ์การเปิดตัวแบบเงียบ ๆ แต่ยังสอดคล้องกับความเป็นไปได้ว่าเป็นเพียงรีโพซิทอรีที่เผยแพร่เพื่อบทความเท่านั้น และไม่มีอะไรมากไปกว่านั้น

• ไม่มีหลักฐานจากการใช้งานจริงสำหรับฮาร์เนส มันเป็นองค์ประกอบที่รับน้ำหนักของสถาปัตยกรรม และเป็นส่วนที่มีเอกสารประกอบน้อยที่สุด

ทำไมเส้นทางสายเงียบจึงยังคงเกิดขึ้นอยู่เรื่อย ๆ

นี่เป็นครั้งที่สองในปีนี้ที่งานโมเดลของ Ant Group ได้เปิดเผยต่อสาธารณะผ่าน repository แทนที่จะเป็นการเปิดตัว UI-Venus-2-9B เอเจนต์ GUI ของห้องแล็บ ปรากฏบน Hugging Face เมื่อปลายเดือนสิงหาคม 2026 โดยไม่มีเปเปอร์ ไม่มีหน้าโปรเจกต์ และไม่มีการประกาศ — และต่อมาก็มีรายงานตามมา Realtime-Venus มาถึงในลำดับที่ตรงกันข้าม: รายงานก่อน repository มาพร้อมกัน ส่วนการประกาศยังไม่เปิดเผย

รูปแบบนี้ไม่ใช่เรื่องเฉพาะของ Ant Group โดยเฉพาะแล็บจีนที่ปล่อยชิ้นงานวิจัยและการนำไปใช้งานจริงสำหรับผู้บริโภคออกสู่โลก ขณะที่เลื่อนประกาศสำหรับนักพัฒนาไปทีหลัง หรือไม่ก็ข้ามมันไปเลย สำหรับใครก็ตามที่ติดตามสาขานี้ นี่เป็นเรื่องไม่สะดวก เพราะสัญญาณตามปกติ — โพสต์เปิดตัว ตารางราคา เว็บไซต์เอกสาร — คือส่วนที่หายไปพอดี ตอนนี้ชิ้นงานคือประกาศ และการอ่านมันอย่างละเอียดคือทางเดียวที่จะรู้ว่ามีอะไรถูกปล่อยออกมาแล้ว

ถ้าคุณต้องการรันมัน

การ์ดนี้ใช้งานได้จริงอย่างน่าประหลาดใจสำหรับการเปิดตัวที่ใหม่ขนาดนี้ การโหลดเป็นมาตรฐาน: AutoModel.from_pretrained บนไดเรกทอรี checkpoint ภายในเครื่อง โดยเชื่อถือโค้ดระยะไกล ใช้ SDPA attention และ bfloat16 การสตรีมแบบฟูลดูเพล็กซ์จะเข้าสู่ได้ด้วยการเรียกครั้งเดียวซึ่งสลับโมเดลไปเป็นโหมดดูเพล็กซ์ หลังจากนั้นลูปที่ระบุในเอกสารคือหนึ่งวินาทีของ streaming_prefill ตามด้วย streaming_generate ทำซ้ำ หน่วยความจำวิดีโอยาวถูกเปิดใช้งานด้วยพารามิเตอร์ memory-minutes ที่ตั้งค่าเป็นสี่สิบ และถูกอธิบายว่าเป็นแบบ training-free ซึ่งน่าสังเกตสำหรับความสามารถที่โดยปกติต้องทำ fine-tuning มีข้อควรระวังสองข้อที่ถูกระบุไว้ในเอกสารแทนที่จะต้องค้นพบเอง: ขีดจำกัดจำนวนเฟรมที่ตัดวิดีโอยาวอย่างเงียบ ๆ เว้นแต่จะเพิ่มค่าคงที่ก่อนนำเข้ายูทิลิตี้ และข้อกำหนดฟอนต์ CJK สำหรับซับไตเติลที่ไม่ใช่ภาษาละตินที่เรนเดอร์ลงในวิดีโอแบบดูเพล็กซ์

สิ่งที่การ์ดใบนี้ไม่ได้มอบให้คุณก็คือพื้นขั้นต่ำด้านฮาร์ดแวร์ โมเดลขนาด 9B ในรูปแบบ BF16 มีน้ำหนักราว ๆ สิบแปดกิกะไบต์ก่อนจะนับหน่วยความจำสำหรับการทำงานใด ๆ ซึ่งทำให้การอนุมานแบบสองทางเรียลไทม์ต้องพึ่ง GPU ระดับจริงจัง และอยู่นอกเหนือขีดความสามารถของการติดตั้งบนแล็ปท็อปที่ตระกูล MiniCPM-o ซึ่งเป็นต้นกำเนิดของมันถูกออกแบบมาส่วนหนึ่งเพื่อรองรับ

มีรอยต่อตรงนี้ที่ควรค่าแก่การตั้งชื่อ เพราะมันคือจุดที่เราเตอร์เข้าที่ได้จริง ๆ Realtime-Venus มอบหมายงานหนักของตน — การดึงข้อมูล การให้เหตุผลที่ซับซ้อน การเรียก API ทางธุรกิจ — ไปยังโมเดลเบื้องหลัง ขาที่ถูกมอบหมายไปนั้นคือการอนุมานข้อความทั่วไป และเป็นขาที่ตัดสินว่าฟรอนต์เอนด์สำหรับการสนทนาของคุณมีประโยชน์หรือเพียงแค่พูดคล่องเท่านั้น OrcaRouter ไม่ได้บรรจุส่วนใดของ Realtime-Venus เลย ชั้นดูเพล็กซ์ตรงนี้เป็นดาวน์โหลดที่โฮสต์เอง และเราไม่ได้ให้บริการมัน การให้เหตุผลที่มันส่งต่อคือส่วนที่เราครอบคลุม: โมเดลเกือบ 200 รายการภายใต้คีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม, การสลับไปใช้ระบบสำรองอัตโนมัติเมื่อต้นทางมีช่วงเวลาที่แย่, DSL สำหรับกำหนดเส้นทางที่ประกอบหลายโมเดลให้เป็นการเรียกเดียว, และการหลอมรวมโมเดลสำหรับกรณีที่ดุลยพินิจของโมเดลเดียวไม่เพียงพอ ตัวบ่งชี้การมอบหมายคือการตัดสินใจของฟรอนต์เอนด์; โมเดลใดจะตอบคำขอนั้นเป็นทางเลือกในการกำหนดค่า และการเก็บทางเลือกนั้นไว้นอกน้ำหนักคือสิ่งที่ทำให้คุณเปลี่ยนมันได้โดยไม่ต้องฝึกใหม่ใด ๆ

อะไรจะยุติเรื่องนี้ได้

สามสิ่งจะผลักดัน Realtime-Venus จากงานวิจัยที่มีเพียงน้ำหนักโมเดล ไปสู่โมเดลที่ใครก็สามารถประเมินได้ หนึ่ง คือการที่กลุ่มอิสระทำซ้ำตัวเลข continuation ของ Full-Duplex-Bench เพราะ 97% ภายใต้ backchannels เป็นตัวเลขที่น่าทึ่ง และตัวเลขที่น่าทึ่งย่อมต้องการผู้อ่านคนที่สอง สอง คือตัวเลข latency ที่เผยแพร่ เพราะระบบ full-duplex จะรอดหรือล่มขึ้นอยู่กับ time-to-first-audio และรุ่นนี้ยังไม่ได้ระบุเป้าหมาย สาม คือเอกสารประกอบสำหรับ harness เพราะการออกแบบ asynchronous delegation เป็นส่วนเดียวของรีลีสนี้ที่ใหม่จริง ๆ และตอนนี้มันเป็นส่วนที่คุณอ่านได้แต่ยังนำไปใช้ได้ไม่ง่าย

จนถึงตอนนั้น คำอธิบายที่แม่นยำก็แคบและไม่น่าตื่นเต้น ซึ่งนั่นแหละคือเหตุผลว่าทำไมมันจึงคุ้มค่าที่จะเขียนลงไว้: การเผยแพร่จริงภายใต้ Apache-2.0 ของเช็กพอยต์ฟูลดูเพล็กซ์ขนาด 9B สองตัว สร้างบนแบ็กโบนแบบเปิด พร้อมผลเบนช์มาร์กที่รายงานเองซึ่งแข็งแกร่ง ไม่มีการตรวจสอบอิสระ ไม่มี API และไม่มีการประกาศ ทุกอย่างที่อยู่เหนือเส้นนั้นเป็นการอนุมาน