Wan-Streamer：视频即世界加事件流
Wan-AI · hf · 2026-07-17
## Wan-Streamer v0.3：把视频看成“世界 + 事件流” Wan-AI 发布 **Wan-Streamer v0.3**，用一个统一视角重构其实时流式交互模型：**视频 = 稳定的世界 + 随时间变化的事件流**。这里的“世界”包括环境、场景、人物、声音等相对稳定的上下文；“事件流”则是场景变化、人物动作、说话和其他声音等动态信息。 ### 这个视角带来的训练目标 模型被训练成：给定一个世界和持续输入，实时预测这个世界如何变化、响应和推进。这样得到的能力可以迁移到多种实时下游任务。 ### 具体落地 作者把它用于 **实时全双工音视频交互**： - 输入是多模态用户内容 - 输出是语言形式的语音和行为动作 - 整体理解过程更像 vision-language-action 的实时版本 ### 性能/系统指标 - 分辨率：**640x368** - 帧率：**25 FPS** - 流式单元：**160 ms** - 模型侧响应延迟：约 **200 ms** - 双向网络预算 350 ms 下，总交互延迟约 **550 ms** 这说明它不是纯概念展示，而是强调实时交互栈。