阿里 Wan Team 在 arXiv 上线 Wan-Streamer v0.2(arXiv:2607.04443),是一次"延迟不变、分辨率翻几倍"的工程升级。v0.1 已经把全双工音频-视频交互塞进单 Transformer 的统一因果时间线,代价是输出只有 192×336,够做视频通话近景,放到中景里人物姿态、桌面物件、周围环境全部糊成一片。 v0.2 的目标:分辨率从 192×336 抬到 640×368(像素量约 3.5 倍),帧率仍 25 FPS,模型侧信号到信号延迟保持 ~200ms,含 350ms 双向网络预算的总远程交互延迟维持 ~550ms。这意味着升级不能动那条对延迟敏感的因果路径,新增算力只能向非延迟关键环节分流。 解法是 Thinker-Performer 部署拓扑的重新切分。Thinker 继续驻留在单卡,负责流式感知、短语言/状态 Transformer、KV-cache 构建、最后一拍解码;Performer 改为 Ulysses 式上下文并行的多卡组,专门承担长序列潜空间去噪:每个 rank 维护按 Ulysses 分片的本地 KV-cache,高分辨率潜视频序列在 rank 间做 all-to-all/gather,短音频潜不分片。Thinker 只把 performer 可消费的 KV slice 广播过去,语言状态本身不需要再跨卡同步,远端延迟守在 ~550ms 区间。 视觉层面,v0.2 让近景通话更清晰,首次支持"场景内中景数字人":坐姿、眼神、手部动作、桌面物品在实时对话里保持可读,数字人不再被锁在画脸框里。这是把全双工交互从"对话"推进到"在场景里对话"的一步,对客服坐席、虚拟主播、陪伴机器人都直接影响成片观感。 更大的视角下,这条路径说明实时音视频生成不再是"推理速度优化",而是进入"流式因果 + 部署拓扑协同设计"阶段——next-unit 流式建模、context-parallel performer、低延迟 thinker 守护,三者已形成完整工程模板,Grok、GPT-4o 这类实时语音+视觉系统迟早要走同样的拓扑分层。