# 蚂蚁开源双向世界模型Duo v1：0.7秒决策实现具身交互

> 原文链接：https://robotics.hellobike.com/news/2026-11-18-ai-5798013a
> 频道：news | 更新日期：2026-11-18 | 标签：auto, rss, zhidx
> 核心摘要：蚂蚁与西湖心辰开源双向世界模型Duo v1，通过意图与实现模块耦合，支持虚拟主体每0.7秒自主决策交互。30组实测通过率93.3%，语言遵循性与视觉稳定性达100%，已开放权重与代码供具身智能研究。

# 蚂蚁开源双向世界模型Duo v1：0.7秒决策实现具身交互

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[这个世界模型“活”了：你递出一瓶水，AI生成虚拟人接过去喝！](https://zhidx.com/p/611825.html)（智东西）

## 核心内容

蚂蚁技术研究院联合西湖心辰发布并开源双向世界模型Duo v1，将智能主体内化为世界模型的一部分。该模型支持虚拟主体持续接收音视频输入并自主决定交互时机，在30组真实交互的人类评估中总通过率达93.3%。其中语言遵循性、语音可懂度和视觉身份稳定性三项指标均为100%，内容响应度为73.3%。目前技术报告、训练代码及模型权重已在GitHub、ModelScope和Hugging Face全量开放。

Duo v1架构包含Intent（意图）与Realization（实现）双模块，以约0.7秒为时间块进行因果对齐推理。Intent模块基于隐状态传递决策，避免文本解码延迟；Realization模块利用注意力掩码确保流式生成的因果正确性。训练采用三阶段策略，通过动作感知重平衡解决过度等待问题，并利用Dual Rollout分布匹配蒸馏将生成压缩至4步。针对长程生成误差累积，模型固定首帧作为质量参考，使60秒连续生成测试中的亮度值稳定在99左右，有效缓解画面退化。

## 关键看点

- **双模耦合架构**：Intent与Realization模块以0.7秒时间块协同，通过隐状态传递实现原生交互理性与视听同步生成
- **三阶段训练策略**：采用动作感知重平衡与Dual Rollout蒸馏，解决过度等待偏差并将推理压缩至4步完成
- **长程生成优化**：固定首帧作为质量锚点，60秒连续生成亮度值维持在99，显著优于基线方法的69.6
- **开源资产完备**：已开放技术报告、训练代码及模型权重，语言遵循性与视觉身份稳定性实测达100%

## 工程与产业观察

Duo v1将交互决策与视听生成统一于世界模型框架，验证了智能体在仿真环境中自主感知与响应的可行性。其开源的因果对齐机制与分布匹配蒸馏方案，为具身智能Sim-to-Real迁移提供了高保真交互基座，但73.3%的内容响应度表明复杂意图理解仍是当前技术瓶颈。
:::

## 原始参考来源 (Sources)

- [智东西：这个世界模型“活”了：你递出一瓶水，AI生成虚拟人接过去喝！](https://zhidx.com/p/611825.html)