研究人员发布了 Wan-Streamer v0.2，这是一个更新的端到端视听交互模型，在保持低延迟的同时显著提高了输出分辨率。新版本将交互流分辨率从 192x336 提高到 640x368，从而在实时对话中提供更详细的视觉反馈。这种改进是通过优化的思考者-执行者架构实现的，该架构利用多 GPU 并行处理来高效生成潜在表示，而不会影响大约 200 毫秒的模型端延迟。 AI
影响 在不增加延迟的情况下，通过更高保真度的视觉效果增强了实时视听交互模型。
排序理由 研究论文发布，详细介绍了具有改进技术规格的新模型版本。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.04443v1 Announce Type: cross Abstract: We present Wan-Streamer v0.2, a latency-preserving upgrade of the native-streaming, end-to-end audio-visual interaction model. v0.2 keeps the v0.1 modeling formulation, but raises the interactive output stream from 192x336 to 640x…
Wan-Streamer v0.2 enhances audio-visual interaction by increasing visual resolution while maintaining low latency through optimized thinker-performer architecture with multi-GPU parallel processing.