先聽你說一半被打斷，然後繼續講——這種像真人對話的互動，一直是擴散模型（diffusion model）難以處理的部分。Duo v1 由 inclusionAI 團隊推出，是一個 Reciprocal World Model（互惠世界模型），把「智能」與「物理現實」放在同一個世界裡看待：一邊持續感知影音輸入，一邊即時回應，讓 spontaneous conversation（自發對話）與插話打斷自然發生。
這是一個模型加推論管線的開源項目，Apache 2.0 授權。跟純文字對話模型最大的不同，是它把「決定要不要參與」與「決定要說什麼、發出什麼聲音」拆成兩個模組，交錯在同一條時間線上運作，因此不需要等使用者講完才回話。
要做到這一點，技術上用了三招：
- 自迴歸建模處理持續互動的推理與參與決策，而不是把生成限制在指令理解
- 分塊條件與跨塊 token 同步，加上模組專屬的 attention mask，確保因果依賴關係，讀不到未來的輸入
- 雙重 rollout 蒸餾，用自迴歸生成的 Intent token 與合成的影音歷史訓練，緩解兩個模組之間的 distribution shift
模型權重在 Hugging Face 公開：Duo-1.0 causal base、distill、quantized，以及 Duo-1.2 causal base，同時附上離線推論程式碼給研究用。想線上部署的話，vLLM-Omni 與 SGLang-Omni 兩條分支提供加速的即時串流流程，vLLM-Omni 是官方推薦的那條。
硬體門檻不低：參考離線配置需要兩張 CUDA GPU，一張給 Intent 與 codecs、另一張給 Realization，另有記憶體要求；離線環境還要把模型與語音環境分開，因為 qwen-asr 綁定了特定版本的 Transformers。
要留意的是，這仍是 preview 版本，目前只支援基本影音對話，官方表示新版會陸續推出。適合關注實時語音互動、數碼人（digital human）、陪伴式 agent 的團隊，以及做世界模型、串流推論與語音多模態研究的實驗室。