Wan-Streamer：把视频看成世界+事件流
bronzeagepapi · x · 2026-07-18
阿里 Wan 团队提出 **Wan-Streamer v0.3**，核心观点是把视频统一理解为 **“世界 + 事件流”**。 - **世界**：场景、人物、声音、环境等相对稳定的上下文 - **事件流**：随时间变化的内容，如说话、动作、手势、声音反应等 这样定义后，模型可以把“给定世界和输入，实时预测世界如何移动、变化和响应”作为通用预训练任务。论文还强调它面向**实时全双工音视频交互**：把事件流当作 agent 的语言、行为和动作输出，目标是低延迟同步生成。图中给出的指标包括 **640×368、25 FPS、160ms streaming unit、约 200ms 模型侧响应延迟、约 550ms 总交互延迟**（在 350ms 双向网络预算下）。