Это самое элегантное масштабирование архитектуры для потоковой генерации за последнее время. Разработчики из Alibaba выкатили Wan Streamer v0.2 — модель для двустороннего общения с AI-аватарами, которая теперь выдает картинку 640×368 при 25 fps. При этом алгоритм сохранил строгий бюджет времени: задержка на стороне модели составляет всего 200 мс. Текст, аудио и видео по-прежнему обрабатываются одним трансформером на единой причинно-следственной шкале.

Увеличение разрешения позволило выйти за рамки классических крупных планов в стиле видеозвонка. Теперь модель генерирует полноценные средние планы с привязкой к окружению. Мимика, направление взгляда, жесты рук и детали самой сцены остаются четко различимыми во время разговора. Система реагирует на текстовый промпт и переходит к живому интерактиву всего за полсекунды.

Секрет такой производительности кроется в хитром разделении вычислений при деплое. Единый трансформер разбивают на пайплайн из двух блоков: thinker и performer. Первый работает на одном GPU и отвечает за восприятие, обновление состояния и быстрое декодирование. Второй забирает на себя тяжелую генерацию визуальных латентов, используя контекстный параллелизм в стиле Ulysses на кластере видеокарт. Короткие аудио-токены обрабатываются без шардинга, что позволяет всему конвейеру работать без просадок кадров!