Tongyi Lab hat Wan-Streamer v0.2 veröffentlicht, ein durchgängiges multimodales KI-Modell, das eine Reaktionsverzögerung von 550 ms für die Echtzeit-Interaktion von Angesicht zu Angesicht erreicht. Es integriert Hören, Sehen, Sprechen und Handeln in einem einzigen Transformer, wobei die Videoauflösung auf 640 × 368 erhöht wurde. Die Streaming-Architektur ermöglicht eine Verarbeitungszeit von 160 ms und unterstützt digitale Humanoide in voller Körpergröße für Anwendungen wie Nachhilfe und Beratung.