蚂蚁开源 Realtime-Venus：9B 全双工音视频交互，说话中可委派后台任务
蚂蚁集团 InclusionAI 在 Hugging Face 开源 Realtime-Venus 全双工交互系统，含 9B 参数的两个检查点（Apache-2.0）：Realtime-Venus-Omni 为音视频交互模型，持续观看与聆听、自行判断是否以及何时回应，并在共享的因果时间线上同时生成文本与语音；Realtime-Venus-Audio 采用相同流式骨干，专注音频理解与音频驱动的对话。两个模型均基于 MiniCPM-o 4.5 / Omni-Flow 架构改造，语言骨干为 Qwen3-8B，上下文 40,960 token，BF16 精度。
关键能力有三处：原生全双工对话——说话时持续感知输入，能区分简短附和、打断、纠正与话题转向；异步任务委派——在对话进行中以流内 <delegate> 请求把外部任务交给后端异步执行、以同样方式接收结果，外部任务不阻塞正在进行的对话（需配套 Realtime-Venus-Harness 运行时，位于 GitHub）；免训练长视频记忆——保存视觉信息丰富的时刻并检索重组音视频上下文。它改变的是实时交互智能体的架构：对话与后台任务不再排队，语音智能体可以在不中断说话的前提下干活。
核验记录
日期三个独立时间戳互证：HF 仓库 inclusionAI/Realtime-Venus createdAt 2026-09-16T08:02Z、GitHub inclusionAI/Realtime-Venus created_at 2026-09-16T07:57Z、ModelScope CreatedTime 1789545803（2026-09-16T08:03Z），相隔 6 分钟。README 英文与中文版直读：9B 双检查点、MiniCPM-o 4.5 基座、Qwen3-8B 骨干、40960 上下文、<delegate> 异步委派、免训练长视频记忆均取自模型卡原文。技术报告 arXiv 2609.13814 页 citation_date / citation_online_date 均 2026/09/12（论文提交日，早于权重公开）。note：媒体（读懂AI时代）报道为 9/18 转述，未作日期依据。
← 上一篇小米公开 MiMo-V2.6 强化学习全程：每步 20 亿 Token，训练账单实时可查下一篇 →微信团队开源 WeVisDoc：2B/4B 文档解析模型，OmniDocBench 95.38 分