蚂蚁集团发布 Duo：支持实时全双工音视频交互的互惠世界模型

inclusionAI · hf · 2026-11-13

蚂蚁集团发布技术报告 Duo v1，提出互惠世界模型（Reciprocal World Model, RWM），可实时感知音视频输入并同时回应用户，实现全双工交互。其核心主张是把「意图（Intent）」与「实现（Realization）」视为世界模型同等基础的两种能力：Intent 负责交互背后的认知推理与参与决策，Realization 生成连贯的视听行为，而现有世界模型大多只模拟后者。三大关键技术设计：(1) 用自回归建模做连续交互推理与参与决策，而非仅限于扩散模型的理解；(2) 构建分块特定条件、在统一时间轴上同步 Intent 与 Realization 的 token，模块级注意力掩码保证块内与跨块因果依赖、不偷看未来输入；(3) 通过双向 rollout 蒸馏缓解两模块的分布偏移，在自回归生成的 Intent token 与 Realization 合成的视听历史上训练。