Tongyi Lab a lancé Wan-Streamer v0.2, un modèle d’IA multimodal de bout en bout offrant un temps de réponse de 550 ms pour des interactions en face à face en temps réel. Il intègre l’écoute, la vision, la parole et l’expression corporelle au sein d’un seul Transformer, avec une résolution vidéo améliorée à 640x368. L'architecture de streaming permet un temps de traitement de 160 ms et prend en charge des avatars numériques en pied pour des applications telles que le tutorat et le conseil.