> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# Duo：用意图决策与音视频生成实现分块双向交互
- URL: https://binnn.top/duo-full-duplex-world-model/
- Published: 2026-11-15T23:30:39.000Z
- Updated: 2026-11-16T01:05:14.000Z
- Description: Duo v1 将发言时机判断与音视频生成连接起来，通过统一时间轴、因果输入约束和双重滚动蒸馏，处理持续交互中的时序与训练条件偏移。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 视觉与多模态, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-11

## 两个模块按时间块协作

报告提出的 Duo v1 采用模块化设计：意图模块负责交互认知，实现模块生成连贯的音视频行为。交互按每块17帧推进，在每秒24帧下约为0.71秒。这是时间块的长度，不能直接当作实测响应延迟；两个模块通过意图模块的隐藏状态传递决策信息。

## 把何时发言单独建模

意图模块在每个时间块选择开始发言或等待，再决定具体措辞。报告将发言时机与内容分开处理，因为合适的话也可能出现在不合适的时刻。等待仅表示没有新增文本，已有语音播放和音视频生成仍可继续，因此不能把等待理解为系统完全停止输出。

## 在视觉编码阶段阻断未来信息

因果约束从视觉编码阶段就开始实施。报告指出，时间分组可能把多帧信息混入同一视觉标记，之后再加注意力掩码也无法消除泄漏。其做法是让分组留在当前块内：17帧编号为0至16时，末组重复第16帧，而不借用下一块的第17帧。

## 用自身生成历史进行蒸馏

为缩小训练与在线交互的条件差异，作者采用双重滚动蒸馏：冻结意图模块，让它自回归生成训练窗口内的最后一轮助手发言；实现模块则使用这些意图特征及自身生成的音视频历史。报告称由此得到四步流式生成器，但所给节选未列出实测延迟或量化评测结果。

原始标题：Duo: A Reciprocal World Model for Full-Duplex Interaction  
[来源：arxiv.org](https://arxiv.org/abs/2611.15131?ref=binnn.top)