Duo-1.0-causal-base: 153 GB trọng số, một bài báo và không có bài đăng ra mắt

Vào lúc 06:32 UTC ngày 12 tháng 11, một kho lưu trữ Hugging Face có tên Duo-1.0-causal-base đã có commit đầu tiên: 80 tệp, 153.46 GB và một gói chứa mô hình nền thị giác–ngôn ngữ, một transformer khuếch tán nghe nhìn, hai codec, một bộ nhận dạng giọng nói và một bộ căn chỉnh cưỡng bức. Bài báo đằng sau nó đã được đăng trên arXiv một ngày trước đó. Ba kho lưu trữ anh em tiếp theo xuất hiện trong vòng hai mươi tư giờ, một trong số đó vẫn đang được tải lên vào sáng nay. Khối tin tức của chính kho lưu trữ, đề ngày 13 tháng 11, gọi tất cả những thứ đó là một bản phát hành. Gần như không có gì khác gọi đó là một bản phát hành. Không có bài đăng ra mắt, không có endpoint được lưu trữ, không có trang định giá và không có benchmark độc lập nào cho Duo-1.0-causal-base mà tôi có thể tìm thấy — và tệp giấy phép nằm trong 153 GB đó loại trừ Liên minh Châu Âu, Vương quốc Anh, Hàn Quốc và Hoa Kỳ khỏi phạm vi cấp phép của nó.

Vậy nên đây không phải là một bài về màn ra mắt, vì đã không có màn ra mắt nào. Đây cũng không phải là một bài về rò rỉ, vì các trọng số đã công khai, không bị giới hạn truy cập và đầy đủ. Phần sau sẽ tách bạch hai thứ thường bị làm mờ mỗi khi một phòng thí nghiệm nghiên cứu công bố một kho lưu trữ thay vì một sản phẩm: những gì các tệp và bài báo thực sự xác lập, và những gì chưa ai xác nhận.

Những gì đã được triển khai, và theo thứ tự nào

Trình tự này có thể đọc được từ siêu dữ liệu của kho lưu trữ, điều này quan trọng vì đó là bản ghi chính chủ duy nhất.

• Bài báo — arXiv 2611.15131, Duo: Một mô hình thế giới tương hỗ cho tương tác song công toàn phần, hai mươi tác giả từ Hengyuan Cao đến Zhenzhong Lan, được gửi vào ngày 11 tháng 11 năm 2026. Trang bài báo trên Hugging Face hiển thị 27 lượt bình chọn và không có đưa tin nào khác ngoài trang đó.

• Các trọng số — bốn kho lưu trữ thuộc tổ chức inclusionAI, tổ chức tự mô tả là nơi khởi nguồn của sáng kiến AGI thuộc Ant Group và có trang dự án mang bản quyền Ant Research 2026. Duo-1.0-causal-base và Duo-1.2-causal-base được tạo lúc 06:30 và 06:32 UTC ngày 12 tháng 11; Duo-1.0-distill sớm hơn hai mươi lăm giây; Duo-1.0-distill-quant sáng nay lúc 08:09 UTC.

• Mã nguồn — github.com/inclusionAI/Duo, Apache-2.0, được tạo ngày 6 tháng 11 nhưng chỉ chứa đúng một commit, có dấu thời gian 09:13 UTC hôm nay, với sáu sao và không có fork nào tại thời điểm viết.

• Tuyên bố — khối tin tức trong README, cả ba dòng đều ghi ngày 2026/11/13: bài báo, các pipeline truyền phát vLLM-Omni và SGLang-Omni, cùng các trọng số v1 và mã suy luận ngoại tuyến.

Kích thước các gói là điều đầu tiên người đọc có thể dựa vào để hành động, vì chúng không thể hoán đổi cho nhau.

• Duo-1.0-causal-base — 153.46 GB trên 80 tệp. Trọng số Realization 69.07 GB, mô hình Intent 66.73 GB, codec video và âm thanh 11.02 GB, ngăn xếp giọng nói 6.54 GB và một bộ điều hợp 84.8 MB.

• Duo-1.2-causal-base — 153.46 GB trong 80 tệp, chỉ được mô tả là “chất lượng tạo sinh được cải thiện”, với các biến thể chưng cất và lượng tử hóa của nó được liệt kê là sắp ra mắt.

• Duo-1.0-distill — 2.78 GB, tám tệp. Đây là một lớp phủ, không phải mô hình: nó tải xuống cùng thư mục với gói cơ sở và thay thế cài đặt sampler bằng Euler ở bốn bước và flow shift 5.0, so với năm mươi bước ở 1.0 cho bản cơ sở.

• Duo-1.0-distill-quant — 47,03 GB. Cùng một overlay bốn bước trong ModelOpt FP8 với chia tỷ lệ theo kênh, và card nêu rõ rằng runtime phải hỗ trợ định dạng đó hoặc cung cấp một lộ trình chuyển đổi.

Hai mô-đun và một đồng hồ 708 mili giây

Kiến trúc có thể được đọc rõ từ các tệp cấu hình, điều mà hầu hết thẻ mô hình không cung cấp cho bạn. Duo chia công việc thành hai.

Mô-đun Intent được khai báo là Qwen3VLForConditionalGeneration — 64 lớp với 5120 chiều ẩn, 64 đầu chú ý với 8 đầu key-value, kích thước trung gian 25600, từ vựng 151.936 token và một tháp thị giác 27 lớp với kích thước patch là 16. Các shard cộng lại thành 66,71 GB trọng số bfloat16. Đó là một mô hình ngôn ngữ-thị giác lớn, và thẻ mô hình không hề nêu số lượng tham số, nên phân loại kích thước là suy luận từ cấu hình chứ không phải con số từ nhà cung cấp. Bên trên nó là một bộ điều hợp LoRA với rank 8 và alpha 16, nhắm vào các phép chiếu query, key, value và output cùng với head của mô hình ngôn ngữ, và bốn token đặc biệt có thể huấn luyện: <wait>, <blank>, <chunk_708> và <speak>.

Bộ token đó chính là toàn bộ ý tưởng được thu nhỏ lại. Ở mỗi chunk, mô-đun Intent phát ra hoặc <speak> kèm văn bản hoặc <wait> không có gì. Việc quyết định khi nào nói là một dự đoán tách biệt với việc quyết định nói gì, và đó chính là khác biệt giữa một mô hình chỉ trả lời khi bạn dừng lại và một mô hình có thể xen vào, giữ im lặng, hoặc tiếp tục nói trong khi bạn đang nói.

Mô-đun Realization là một MiniMaxH3DiTModel: 50 lớp với 5376 chiều ẩn, 56 đầu có số chiều 128, độ rộng feed-forward 14336, patch 1×2×2, 24 kênh latent cho video và 32 kênh cho âm thanh, cùng một bộ tinh luyện token hai lớp gộp các trạng thái ẩn của mô-đun Intent vào phần điều kiện. Nó được khởi tạo từ trọng số MiniMax H3 và tệp NOTICE ghi rõ giấy phép thượng nguồn. Các shard có tổng cộng 66.28 GB trên 535 tensor.

Con số đáng ghi nhớ là nhịp đồng hồ gắn kết chúng lại với nhau. Tương tác chạy theo từng khối 17 khung hình video ở tốc độ 24 khung hình/giây — 708 mili giây. Mỗi khối được mã hóa thành năm latent video với cách chia khung 1-4-4-4-4, và thành 2×29 latent âm thanh, vì âm thanh chạy ở 40 latent mỗi giây mỗi kênh tại 32 kHz, cứ mỗi 25 mili giây một latent. Mã hóa vị trí là RoPE ba chiều được khóa theo thời gian phát lại. Các mặt nạ chú ý được xây dựng sao cho không khối nào có thể nhìn thấy phương tiện sạch trong tương lai của chính nó, và đó là điều khiến toàn bộ hệ thống mang tính nhân quả và có thể truyền phát thay vì là một mô hình khuếch tán cần đoạn clip hoàn chỉnh trước khi có thể bắt đầu.

Tuyên bố về độ trễ là có thật, và đó là tuyên bố dành cho tám GPU.

Phần nói về truyền phát trong bài báo là nội dung cụ thể nhất trong bản công bố, và cũng là phần khó tái lập nhất trên phần cứng mà hầu hết độc giả đang có.

• Suy luận ý định — 90 đến 160 ms mỗi đoạn.

• Sinh latent chung ở 768×576 — 200 đến 450 ms.

• Giải mã dạng luồng — khoảng 30 ms cho mỗi nhóm bốn khung hình.

• Chi phí phụ trội — khoảng 40 ms.

• Tổng cộng — 330 đến 650 ms, so với mục tiêu chu kỳ là 17/24 giây, cộng thêm 708 ms độ trễ lấy mẫu nếu một phát ngôn kết thúc giữa cửa sổ.

Những con số đó đến từ một bố cục tám GPU. Mô-đun Intent chạy song song tensor trên bốn rank tại GPU 0–3 cùng với bộ nhận dạng giọng nói; diffusion transformer trải trên cả tám GPU, chọn song song tensor hoặc song song chuỗi cho từng chunk tùy theo cách nào giảm thiểu thời gian chu kỳ dưới giới hạn bộ nhớ; VAE truyền phát chia lát theo không gian thành bốn phần trên GPU 4–7. GPU 0–3 chạy Intent cho chunk k+1 trong khi GPU 4–7 giải mã chunk k. Đầu ra được phát hành dưới dạng một khung neo cộng với bốn gói bốn khung, và khoảng thời gian phát lại ngắn nhất, 1/24 giây tức khoảng 41.7 ms, được cố ý kéo dài hơn thời gian giải mã 30 ms để bộ đệm có thể hấp thụ jitter.

Giờ hãy đọc các yêu cầu trong README đối chiếu với điều đó. Cấu hình triển khai offline tham chiếu yêu cầu hai GPU CUDA — một cho Intent và các codec, một cho Realization — hai môi trường Python vì gói qwen-asr được ghim phiên bản kéo theo phiên bản Transformers riêng của nó, và FFmpeg trên PATH. Đó chính là cấu hình mà bản demo phát hành thực sự chạy. Con số 330 đến 650 ms giả định tám GPU với mô hình không được nêu rõ. Cả hai con số đều trung thực; chúng trả lời những câu hỏi khác nhau, và khoảng cách giữa chúng chính là khoảng cách giữa một kết quả trên bài báo và một cỗ máy bạn có thể dựng trong tuần này.

93.3% là các tác giả tự chấm bài thi của chính họ

Có một điểm bất thường trong cách đánh giá này, đáng được nêu rõ trước khi tỷ lệ phần trăm được trích dẫn ở bất kỳ đâu.

Ba mươi trường hợp song công thời gian thực được phát lại song song trên một dòng thời gian chung và được đánh giá ở tốc độ phát lại bình thường với âm thanh, dựa trên sáu tiêu chí nhị phân với các điều kiện lỗi được ghi rõ: khả năng đáp ứng nội dung, tuân thủ ngôn ngữ, độ rõ của lời nói, tính ổn định nhận dạng hình ảnh, đồng bộ nghe nhìn và tính nhất quán cảm xúc nghe nhìn. Trong số 180 lần kiểm tra, 168 lần đạt — 93,3%. Chín mươi trên chín mươi lần đạt ở các tiêu chí tuân thủ ngôn ngữ, độ rõ của lời nói và tính ổn định nhận dạng hình ảnh cộng lại. Tính nhất quán cảm xúc đạt 96,7%, căn chỉnh môi đạt 90,0% và khả năng đáp ứng nội dung đạt 73,3%, tức 22 trên 30.

Ba điều sau đây, và chỉ điều đầu tiên là tâng bốc.

Đầu tiên, 93,3% trên 180 kiểm tra nhị phân với các điều kiện thất bại được ghi rõ là một tuyên bố dễ bị chứng minh sai hơn so với điểm Elo trên bảng xếp hạng, và phân tích thất bại đặc biệt cụ thể: những câu đùa và nhận xét ám chỉ đòi hỏi mô hình phải đọc vượt ra ngoài nghĩa đen của từ ngữ, cùng ý định chỉ trở nên rõ ràng khi đọc lời nói và video cùng nhau — ví dụ trong bài báo là một người dùng ở trong nhà nhắc đến một chiếc xe đạp chia sẻ đúng lúc trời bắt đầu mưa, mà mô hình coi đó là yêu cầu xin lời khuyên thay vì một sự thay đổi bối cảnh.

Thứ hai, người đánh giá chính là các tác giả. Không có lượt chạy của bên thứ ba, không có nghiên cứu so sánh cặp đôi mù, không có hội đồng gồm các nhà đánh giá bên ngoài. Một thang đánh giá nhị phân với các điều kiện được ghi rõ là công cụ phù hợp; việc áp dụng nó cho đầu ra của chính bạn không phải là xác minh độc lập.

Thứ ba, và đáng nói nhất, không có bất kỳ so sánh đường cơ sở nào trong toàn bộ bài báo. Phép đối chiếu định lượng duy nhất là một ablation trên tổng hợp dữ liệu: qua một chuỗi sáu mươi giây gồm mười khối sáu giây, đường cơ sở mất 34,2 mức luma ở khối thứ chín trong khi phương pháp đề xuất ổn định ở khoảng 99. Các công trình liên quan — Moshi, Qwen-Omni, Wan-Streamer, EMO, OmniHuman, LiveTalk, Self Forcing, CausVid — được thảo luận định tính mà không có số liệu đối đầu trực tiếp. Bài báo cũng không bao giờ nêu số lượng tham số hay khối lượng dữ liệu huấn luyện. Vì vậy, tóm tắt trung thực là Duo v1 đã được đo lường theo một rubric, chứ không phải so với một mô hình khác.

Giấy phép là phần quyết định cả tuần của bạn

Đây là phần thay đổi các quyết định mua sắm, và nó bị chôn vùi trong một tệp LICENSE 17 KB thay vì trong phần văn xuôi của thẻ mô hình.

Các trọng số không phải Apache-2.0. Kho mã thì có; trọng số thì không. Mọi checkpoint Duo đều mang minimax-h3-community-license, vì mô-đun Realization được khởi tạo từ MiniMax H3 và giấy phép đi kèm với sản phẩm phái sinh. Thỏa thuận trong gói có ngày 2 tháng 8 năm 2026 và định nghĩa "M​iniMax" là Nanonoble Pte. Ltd.

Phạm vi cấp phép của nó bị giới hạn theo lãnh thổ. “Lãnh thổ áp dụng” có nghĩa là toàn thế giới, trừ các Lãnh thổ bị loại trừ, và các Lãnh thổ bị loại trừ là Liên minh Châu Âu, Vương quốc Anh, Cộng hòa Hàn Quốc và Hợp chúng quốc Hoa Kỳ. Văn bản giấy phép mời bất kỳ ai trong các lãnh thổ đó liên hệ với M​iniMax để xin cấp phép “dựa trên các biện pháp kiểm soát và rào chắn vững chắc”, đó là một lộ trình chứ không phải là sự cho phép.

Trên thực tế: một nhóm nghiên cứu ở Singapore, Thụy Sĩ, Nhật Bản, Ấn Độ, Brazil hoặc Canada có thể tải xuống và chạy thứ này ngay hôm nay theo các điều khoản đã nêu. Một nhóm ở San Francisco, London, Berlin hoặc Seoul thì không thể, theo cách đọc rõ ràng của tệp, và không nên phát hiện ra điều đó vào cuối hai tuần tích hợp. Sự bất đối xứng đó cũng là lý do vì sao giấy phép — không phải benchmark — mới là thứ cần kiểm tra trước khi bạn lên lịch bất cứ điều gì.

Những gì bạn thực sự có thể chạy ngay hôm nay

Quy trình ngoại tuyến đã được ghi tài liệu và rất ngắn gọn. Sao chép kho lưu trữ, tạo hai môi trường ảo — một cho Realization, một cho ngăn xếp xử lý giọng nói — tải xuống một gói cơ sở, sao chép configs/inference.example.json thành configs/inference.json, trỏ tệp này tới các trọng số và hai tệp thực thi Python, rồi khởi chạy run_demo.py --config configs/inference.json --port 4173. Giao diện là một trang trình duyệt tại /video/index.html.

Đối với truyền phát trực tuyến, README chỉ ra hai nhánh: vLLM-Omni, được đánh dấu là khuyến nghị, và SGLang-Omni. Đó là hướng mà các số liệu độ trễ mô tả, và là hướng cần bố cục tám GPU.

Hai lưu ý về những gì bạn sẽ thấy. Các bản demo trên trang dự án được lấy từ dữ liệu huấn luyện và suy luận ngoại tuyến — trang có nói rõ như vậy, và nói thêm rằng kết quả song công toàn phần theo thời gian thực "sẽ sớm được bổ sung." Và bản phát hành này rõ ràng là bản xem trước: "Duo v1 là bản phát hành xem trước dành cho các nhà nghiên cứu," hỗ trợ "hội thoại nghe nhìn cơ bản," còn v2 được hứa hẹn sẽ điều kiện hóa Realization trực tiếp trên âm thanh và video của người dùng để tương tác thị giác. Nếu bạn quan tâm đến một mô hình quan sát bạn và phản ứng với đồ vật, thì khả năng đó không có trong bản phát hành này.

Ai nên quan tâm trong tuần này và ai nên chờ đợi

• Nghiên cứu tương tác song công toàn phần — đây là bản phát hành mở cụ thể nhất trong hạng mục này: một bài báo với ngân sách độ trễ, đồng hồ chunk, công thức chưng cất và các trọng số thực sự có thể tải xuống. Phương pháp chưng cất dual-rollout — triển khai mô-đun Intent đã đóng băng rồi tạo media từ chính đầu ra của mô hình, thay vì từ lịch sử đã ghi lại — là ý tưởng có thể chuyển giao ngay cả khi bạn không bao giờ chạy Duo.

• Các đội đang xây dựng sản phẩm avatar hoặc companion — đáng đọc chỉ vì cách đóng khung 708 ms. Đó là con số quyết định liệu một câu xen ngang có cảm giác như một con người hay như độ trễ, và đó là một ràng buộc thiết kế bạn có thể áp dụng mà không cần áp dụng mô hình.

• Các nhóm ở những vùng lãnh thổ bị loại trừ — hãy chờ, và coi cuộc trao đổi về giấy phép là đường tới hạn thay vì ngân sách GPU.

• Bất kỳ ai muốn một API — đây không phải là thứ đó. Thẻ mô hình nêu rõ rằng không có nhà cung cấp suy luận nào đang phục vụ nó, và không có điểm cuối nào từ nhà cung cấp.

Điểm cuối cùng đó là chỗ một router thực sự phù hợp và chỗ nó không phù hợp. OrcaRouter không lưu trữ Duo-1.0-causal-base và không thể định tuyến nó: một ngăn xếp khuếch tán hai mô-đun 153 GB với nhịp khối cố định 708 ms không phải là mục tiêu chat-completions, và không có lượng định tuyến nào thay đổi được điều đó. Thứ có thể định tuyến được là phương án dự phòng theo lượt mà hầu hết các nhóm triển khai trong khi một thử nghiệm song công chạy sau một cờ — giọng nói vào, một mô hình ngôn ngữ, giọng nói ra. Nhánh giọng nói ra có thể là một mô hình chuyển văn bản thành giọng nói được lưu trữ thay vì một tiến trình khác trên cùng hai GPU, và việc thực hiện nó qua một API cho hơn 200 mô hình với giá niêm yết của nhà cung cấp được chuyển nguyên với mức đánh thêm 0% giữ cho bài toán chi phí không thay đổi khi một nhà cung cấp thay đổi giá. Chuyển đổi dự phòng tự động thuộc về những nhánh được lưu trữ đó, không thuộc về nhánh tự vận hành: nó giữ cho một bản demo hoạt động khi một nhà cung cấp chập chờn, và nó không làm gì cho một ngăn xếp bạn đang chạy trên phần cứng của chính mình.

Cách sử dụng trung thực còn lại là kỷ luật đánh giá. Giữ lộ trình sản xuất trên những mô hình bạn có thể gọi, và coi Duo-1.0-causal-base như một thí nghiệm trên bàn thử với một rubric bằng văn bản — mà, xét rằng rubric duy nhất hiện có đã được chính các tác giả của nó áp dụng, thì đó đúng chính xác là bản chất của nó.

Điều gì sẽ làm thay đổi phán quyết

Ba điều, theo thứ tự tăng dần về mức độ quan trọng.

Một bên thứ ba chấm điểm sáu tiêu chí trên các prompt mà nhóm Duo không chọn. Thang điểm đã được công bố, khiến việc này rẻ cho ai đó thực hiện và đắt cho mô hình nếu khả năng đáp ứng nội dung thực sự là 73.3% trên các trường hợp chưa từng thấy.

Một endpoint được lưu trữ hoặc một công thức phục vụ không giả định có tám GPU. Bản demo ngoại tuyến hai GPU và tuyên bố về độ trễ tám GPU đều đúng, và khoảng cách giữa chúng chính là nơi hầu hết độc giả thực sự sẽ ở.

Các điều khoản cấp phép bao gồm các lãnh thổ bị loại trừ. Không có khía cạnh nào của kiến trúc làm thay đổi phép tính đó, và không mức cải thiện benchmark nào làm được điều đó.

Cho đến lúc đó, mô tả chính xác về Duo-1.0-causal-base là thế này: một gói nghiên cứu hoàn chỉnh, không bị hạn chế truy cập, dung lượng 153 GB, với ngân sách độ trễ thực sự và một đánh giá tự chấm điểm, được công bố dưới dạng một bài báo và một kho lưu trữ kèm dòng tin tức ghi ngày tháng và không có sản phẩm nào phía sau. Điều đó nhiều hơn một bản tiền xuất bản — trọng số đã có đó và bản demo chạy được — và ít hơn đáng kể so với một mô hình mà bạn có thể lập kế hoạch cho cả một quý dựa vào. Câu hỏi mở không phải là liệu Duo có thể duy trì một cuộc hội thoại trong những lát 708 mili giây hay không. Mà là liệu có ai bên ngoài nhóm có được phép kiểm chứng hay không.