Hugging Face Daily Papers于2026年11月11日收录Duo v1。这篇报告引入Reciprocal World Model(互惠世界模型,RWM),并给出一个可持续感知音视频输入、同时实时回应用户的全双工世界模型。智能与物理现实应被视作构成「世界」的同等基本要素。现有世界模型大多只模拟物理现实,把推理和决策留在外部控制回路,而不是当作世界本身的内在部分。Duo v1试图把认知与视听生成一并放进世界模型内部。
意图与实现对等
RWM识别出两种同等根本的能力。Intent(意图)提供世界交互背后的认知;Realization(实现)生成连贯的视听行为。Duo v1的两个模块都会持续感知实时音频、视频和文本,从而支持全双工交互,包括自发对话以及打断。它把是否参与、如何回应当作模型要持续完成的事情。现有做法里,自回归经常只服务于扩散模型的指令理解;Duo v1明确把自回归用于连续的交互推理和参与决策。
统一时间轴上的三项设计
为实现上述表述,Duo v1给出三条技术设计。第一,用自回归建模做持续的交互推理和是否参与的决策,而不是把自回归限制为扩散模型的指令理解模块。第二,在统一时间轴上构造分块条件,并在Intent与Realization之间使用synchronize tokens;模块专用的注意力掩码在块内和块间都强制因果依赖,防止访问未来输入。第三,用dual rollout distillation缓解两个模块的分布偏移:训练时使用自回归生成的Intent tokens,以及Realization合成的视听历史。摘要在spontaneous conversations and interru处截断,按已给表述,目标是实时、可打断的全双工交互,但未提供延迟、质量或对比实验。
我的判断
价值主要在问题表述:把何时开口、如何把认知落成视听收进模型内部,而不是只生成下一帧物理画面。三条设计对准全双工里最难的连续决策、跨模块时间对齐,以及自回归闭环的分布偏移,方向具体。适用边界同样要写死:材料没有给出规模、数据、延迟和评测,因此目前更适合当作架构假说,而不是可直接落地的产品基线。局限也很直接——摘要未说明两个模块的骨干网络、训练数据从何而来,以及在噪声和多人场景下因果掩码是否足够。信息不足时,不宜把它读成已证明世界必须内含智能;它首先是把意图与实现绑在同一时间轴上的框架。