# 93.3% 的通过率里，73.3% 才是真问题：世界模型第一次有了会开口的主体

> 30 组真实交互、180 项检查、通过 168 项，总通过率 93.3%。但拆开看，三个 100% 全是「像不像」的指标，唯一衡量「有没有接住」的内容响应度只有 73.3%。这个模型把「像」做到了满分，把「懂」留在了四分之三。

### TLDR

- **事实**：**2026 年 11 月 17 日**，蚂蚁技术研究院与杭州大模型公司西湖心辰发布并开源**双向世界模型**（Reciprocal World Model）**Duo v1**，把智能主体放进世界模型内部，让虚拟角色持续接收用户音视频输入、自主决定何时开口或倾听，并实时生成对应的声音与画面。
- **机制**：模型分 **Intent（意图）** 与 **Realization（实现）** 两个耦合模块，以约 **0.7 秒**为一个时间块；Intent 在每个块内决策「说话还是等待」并产出语言内容，且**传递隐状态而非解码文本**，直接指导 Realization 生成视听。
- **训练**：三阶段（Intent 训练 → Realization 训练 → 分布匹配蒸馏至 **4 步**），第三阶段用 **Dual Rollout** 解决「训练用录制历史、推理用自生成历史」的分布偏移。
- **评测**：30 组真实交互、共 180 项检查，通过 **168 项**，总通过率 **93.3%**。分项为语言遵循性 **100%**、语音可懂度 **100%**、视觉身份稳定性 **100%**、视听情感一致性 **96.7%**、视听同步 **90.0%**、内容响应度 **73.3%**。
- **判断**：三个 100% 全是「像不像」的形式指标，唯一衡量「有没有接住对方」的是那个 **73.3%**。这个模型把「像人」做到了满分，把「懂人」留在了四分之三；而这个缺口，恰好也是机器人从「能对话」走到「能协作」必须跨过的那道坎。

### SRC

主源为智东西 **2026-11-18** 报道，记者杨京丽，经新浪 **2026-11-19 09:59** 全文转载（https://news.sina.cn/ai/2026-11-19/detail-inizfqem6403694.d.html ），该稿给出发布方与发布日期、双模块结构、0.7 秒时间块、三阶段训练与 Dual Rollout 的机制说明、60 秒 10 段亮度退化测试的原始数值、30 组人类评估的 180 项与六项分项通过率、开源范围（技术报告 arXiv 2611.15131、代码 github.com/inclusionAI/Duo、权重 ModelScope 与 Hugging Face 两个仓库）。素材时间窗为**前一日 18:00 → 当日 09:00（2026-11-18 18:00 → 2026-11-19 09:00）**；本篇属**扩窗处理**——事件发生在 **11-17**（窗口前约一天），窗口内的新增量是：**11-18 报道首次公开 180 项检查的六项分项通过率与 0.7 秒时间块机制**，这两项在 11-17 当日的公开信息中均未出现，故按扩窗规则第一条采信并在本段写明。

与站内既有稿件的差异：本站 11 月 14 日稿（758）讨论的是人形机器人信息安全标准与演出合同，11 月 18 日晚间批稿件涉及蚂蚁灵波的数据与开发者生态，均与本篇无重叠；本篇只做「分项通过率的内部落差」这一个切口，不复述世界模型的行业格局。

边界与不确定：①**所有性能数字均出自发布方自测**，30 组真实交互的样本量偏小，180 项检查的评分标准未公开，93.3% 不能等同于通用能力；②「内容响应度 73.3%」的具体判定规则未披露，本文只按字面理解为「模型对用户输入的语义回应是否恰当」，不外推；③该模型处理的是**音视频交互的虚拟主体**，不是物理机器人，本文在正文中明确区分了这一层，任何向具身智能的类比均标注为作者判断；④「亮度值 103.8 降至 69.6、下降 34.2」为发布方给出的退化测试结果，测试集与评估协议未公开；⑤技术报告编号 2611.15131 与两个模型仓库地址来自报道原文，本文未逐项核验仓库内容；⑥所有关于形式指标与语义指标之分、0.7 秒节律之取舍、与机器人策略模块的类比，均为作者判断，以「判断：」开头。版权与免责声明由模板自动附加。

### BODY

<p>先看一个总数：30 组真实交互、180 项检查、通过 168 项、93.3%。</p>

<p>这个数字放在任何一份技术报告里都算漂亮。但 93.3% 是个平均数，平均数会藏东西。真正该看的是它下面那六行。</p>

<div class="sec">
<div class="eyebrow">一、六项分项里，三个满分全是「像不像」</div>

<p>把六项分项摆出来，结构立刻就清楚了。</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">语言遵循性</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">100%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">语音可懂度</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">100%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">视觉身份稳定性</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">100%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">视听情感一致性</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:96.7%"></div></div><div class="jx-bar-val">96.7%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">视听同步</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:90%"></div></div><div class="jx-bar-val">90.0%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">内容响应度</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:73.3%"></div></div><div class="jx-bar-val">73.3%</div></div>
<div class="jx-legend"><div class="jx-lg">30 组真实交互、180 项检查中的六项分项通过率，总通过率 93.3%（168/180）。柱长按通过率百分比绘制，同一刻度可直接比较</div></div>
</div>

<p>前五项衡量的是同一件事：这个虚拟人看起来、听起来像不像一个真人。嘴巴动得对不对、声音清不清楚、脸有没有变形、表情和语气配不配、声音和口型合不合得上。</p>

<p>这五项里有三项是满分——语言遵循、语音可懂、身份稳定。换句话说，在「不出戏」这件事上，它已经基本做到不出错。</p>

<p>而唯一一项衡量「有没有听懂你在说什么」的，是最后那行：<strong>内容响应度 73.3%</strong>。</p>

<p>报道引用团队的说法是，这也是最具挑战的指标——模型需要在用户音视频仍在持续输入时作出决策，对用户意图进行实时推断。</p>

<div class="keypoint">判断：这六行分项，其实是两种能力的对比。前五项是「生成质量」，只要模型够大、数据够多、蒸馏够好，就能往上推，推到 100% 只是时间问题。第六项是「理解与决策」，它衡量的是模型有没有在正确的时间做正确的事——这东西不是靠堆算力能解决的。93.3% 这个总分会让人以为差距只剩 6.7%，但拆开看，真实差距是 26.7%，而且全部集中在最难的那一项上。</div>
</div>

<div class="sec">
<div class="eyebrow">二、0.7 秒这个数，是整篇报告里最被低估的</div>

<p>Duo v1 把时间切成约 0.7 秒一个块。在每个块内，Intent 模块要做一个二选一的决策：现在开口说话，还是继续听。</p>

<p>0.7 秒意味着什么？一分钟 60 秒，除以 0.7，大约 <strong>85 个决策点</strong>。</p>

<p>也就是说，这个模型每分钟只有 85 次机会决定「该我说话了」。中间任何一个块判断错了，结果就是两种可预期的失败：对方还没说完它就抢话，或者对方说完了它还在等。</p>

<p>这恰好是这一轮对话式 AI 最典型的观感问题。人们抱怨机器「不像人」，很多时候不是因为它答得不对，是因为它答的时机不对——停顿太长显得迟缓，抢话太早显得没礼貌。而时机这件事，从来没有被写进任何一次模型评测里。</p>

<p>Duo v1 把这件事做成了显式的、可训练的决策。报道提到，因为多数时间块不含新的角色发言，模型天然倾向于「一直等待」，团队用动作感知重平衡（action-aware rebalancing）对不同类别的训练目标做采样和加权，来缓解「过度等待」的偏差。</p>

<div class="keypoint">判断：这个细节透露了训练里最难的一件事——「不说话」这个动作，在数据里几乎不占样本。一段对话里，角色开口的时间块可能只占两成，剩下八成都在听。如果按频率采样，模型学会的一定是「永远别开口」。所以必须人为把「开口」的权重调高。这个坑对机器人同样成立：一台机器人在真实场景里，绝大多数时间什么都不用做，只在关键时刻动一下。按数据频率训练，得到的就是一台不动的机器人。</div>
</div>

<div class="sec">
<div class="eyebrow">三、103.8 降到 69.6，这个数比 93.3% 更有工程价值</div>

<p>报道里还有一组数，关注的人不多，但它是整篇里最实在的。</p>

<p>团队做了一个 60 秒、10 个区段的连续生成测试，用亮度值衡量画面退化。基线方法的亮度从 103.8 一路掉到 69.6，下降 34.2；Duo v1 采用「固定使用首个区段的开头视频作为质量参考」的做法后，亮度保持在约 99，面部外观的一致性也维持住了。</p>

<p>这组数的价值在于，它量化了「误差累积」这件事。</p>

<p>凡是逐段生成的内容，都会遇到同一个问题：每一段都以前一段的最后一帧为参考，那么第一段的细微偏差会被第二段继承、被第三段放大。跑十段之后，画面已经不是「差一点」，而是彻底走样。</p>

<p>Duo v1 的解法非常朴素——不参考前一段的结尾，始终参考第 0 段的开头。<strong>用一个固定的锚点替代一条会漂移的链条。</strong>这个思路和视频生成里的首帧一致性约束是同一类做法，工程上不新鲜，但它在这份报告里被量化了：不用这个锚点，60 秒后画面暗掉三分之一。</p>

<div class="keypoint">判断：对做具身的人来说，这组数的意义在于它给出了一个可复用的检验方法。机器人的长程任务——比如连续 20 步的装配——遇到的完全是同一个问题：每一步都基于上一步的结果，误差逐步累积。评估时应该看的不是单步成功率，是「跑满 20 步之后还剩多少」。这个测试方法比任何一个模型的榜单排名都更值得抄。</div>
</div>

<div class="sec">
<div class="eyebrow">四、这件事和机器人有什么关系，以及没什么关系</div>

<p>必须先说清楚：Duo v1 处理的是音视频交互的虚拟主体，不是物理机器人。它的输出是画面和声音，不是关节角度。把它当成「机器人大脑」来读，是错的。</p>

<p>但它的架构里有一处，和机器人策略的走向高度同构。</p>

<p>Intent 模块传递给 Realization 的，<strong>不是解码后的文本，而是模型内部的隐状态</strong>。这个设计的意思是：决策和表达之间不走「先转成一句话、再照着这句话生成」的中间层，而是直接传一个高维向量。</p>

<p>机器人领域的 VLA 模型正在做的，恰恰是同一件事——把「下一步做什么」从自然语言指令，变成直接驱动动作生成的隐表示。中间那层语言，正在被跳过。</p>

<p>跳过语言的好处是不丢失信息：一句「把那个拿过来」丢掉了力度、速度、抓取点位、避让路径；一个隐状态可以全带上。坏处是可解释性归零——你没法再问它「你刚才为什么这么做」，因为它根本没生成过一句可以读的话。</p>

<div class="keypoint">判断：这条路的终点，是「意图—动作」直连。虚拟人这边代价很低，生成错了顶多画面怪；机器人这边代价是物理的，动作错了会撞、会摔、会伤人。所以同样的架构搬到机器人上，一定会多出一层东西——安全检查。而安全检查必须是可读的、离散的、能被外部程序判断的，这又和「隐状态直连」的设计初衷冲突。这个矛盾，是下一代 VLA 架构绕不开的地方。</div>
</div>

<div class="sec">
<div class="eyebrow">五、开源这件事，比 93.3% 更值得记</div>

<p>技术报告、训练代码、模型权重全部开放，权重同时上了 ModelScope 与 Hugging Face 两个仓库。</p>

<p>对世界模型这个赛道来说，这是相当彻底的开放。多数同类工作只放 demo 视频和论文，权重是要谈合作的。</p>

<p>彻底开放的直接后果是：93.3% 这个数，两周内就会有人复现，也会有人拿自己的场景去测。如果第三方测出来的「内容响应度」显著低于 73.3%，那这份报告的可信度会被重新定价；如果接近，那这个方向就真的站住了。</p>

<p>这也是判断一份技术报告诚不诚实的另一个角度——看它敢不敢把最弱的那一项写进摘要。这篇把 73.3% 写进去了，还主动说明「内容响应度和长程一致性仍是当前版本的主要挑战」。</p>

<p>世界模型这一年的叙事，一直是「把世界模拟得更真」。Duo v1 换了个问法：世界模拟得再真，如果里面没有人，那它模拟的是一个空房间。</p>

<p>把主体放进去，是这一步。让主体真的接得住对方，是下一步。73.3% 就是这两步之间的距离。</p>

</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/duo-v1-reciprocal-world-model-93pct-73pct-gap/*
