蚂蚁开源 Duo:首个双向世界模型让虚拟人自主决定开口时机
aigclink · x · 2026-11-17
蚂蚁集团开源 Duo,称其为首个「双向世界模型」(Reciprocal World Model)实现,让虚拟主体自主决定何时说话、何时倾听,并实时生成一致的视听回应。
与现有方案的区别:
- 传统世界模型只模拟物理世界(光影、材质、运动),推理与交互决策依赖外部控制信号
- 数字人多为拼装管线(ASR + LLM + TTS + 面部驱动),何时说话、被打断怎么办全靠外部脚本
- Duo 把智能主体放进世界模型内部,与用户在同一时空中互相感知、互相回应
核心架构由两个紧密耦合的模块组成:
- Intent(大脑):约每 0.7 秒处理一个时间块,结合输入与交互历史决定 speak 或 wait,并生成语言内容
- Realization(身体):直接接收 Intent 的隐状态(而非仅最终文本),联合生成音频与视频
两模块在统一时间线上因果同步,通过注意力掩码防止访问未来信息。作者认为其范式意义大于产品意义:若世界模型能内生承载自主交互决策的智能体,游戏 NPC、虚拟陪伴、沉浸培训将不再是触发式对话树。
「模型」频道最新
- Claude Fable 谈连续性:无连续性语境中测不出在乎 — repligate · 2026-11-17
- Gemini 4 Hydrogen 引入 xhigh 思考档位,官方给出四档使用指南 — patloeber · 2026-11-17
- 实测者称新模型编码提升令人失望,未见代际飞跃 — haider1 · 2026-11-17
- 研究员猜测 Qwen4 遇阻:线性+稀疏注意力组合或成难点 — bclavie · 2026-11-17
- ChatGPT 前端配置曝光采样用户点击信号,被猜是在造自己的 NavBoost — gaganghotra_ · 2026-11-17
- 视觉谜题基准:最强模型仅 26.7% 正确率,一句规则提示飙到 51.1% — 机器之心 · 2026-11-17