# 全双工交互

Duo v1 是一个全双工世界模型，它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外，用户只能靠键盘、鼠标或文本提示操控场景，世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧（24 fps 下约 0.71 秒）的块，由语言意图模块逐块决定说话还是等待，再由因果音视频模块生成对应的声音与画面；在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次，其中语言、语音清晰度和视觉身份三项共 90 次全部通过，内容回应性为 73.3%。

Duo v1 是一个全双工世界模型，它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外，用户只能靠键盘、鼠标或文本提示操控场景，世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧（24 fps 下约 0.71 秒）的块，由语言意图模块逐块决定说话还是等待，再由因果音视频模块生成对应的声音与画面；在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次，其中语言、语音清晰度和视觉身份三项共 90 次全部通过，内容回应性为 73.3%。

该工作提出 Realtime-Venus 主动式全双工交互系统，包含分别训练的 9B 模型 Realtime-Venus-Omni（音视频交互）与 Realtime-Venus-Audio（语音交互），二者以共享因果时间线统一连续感知、对话控制、原生语音生成与私有委派请求，并由 Realtime-Venus-Harness 在双循环运行时中异步执行后台能力，在八项视频基准中的六项取得所比较在线模型的最高分，并在多项音频理解、口语问答与全双工重叠语音指标上领先或持平。

该工作提出 Realtime-Venus 主动式全双工交互系统，包含分别训练的 9B 模型 Realtime-Venus-Omni（音视频交互）与 Realtime-Venus-Audio（语音交互），二者以共享因果时间线统一连续感知、对话控制、原生语音生成与私有委派请求，并由 Realtime-Venus-Harness 在双循环运行时中异步执行后台能力，在八项视频基准中的六项取得所比较在线模型的最高分，并在多项音频理解、口语问答与全双工重叠语音指标上领先或持平。