Wan-Streamer v0.2: 更高分辨率，相同延迟

我们推出 Wan-Streamer v0.2，这是对原生流式、端到端音视频交互模型的延迟保持升级。v0.2 沿用了 v0.1 的建模公式，但将交互式输出流从 192x336 提高到 640x368，同时在 25 FPS 下保持约 200 毫秒的模型端信号到信号延迟。更高分辨率的流支持以场景为基础的特写镜头代理，其姿势、凝视、手部、附近物体和局部场景布局在实时对话中保持清晰可辨。为了支持更大的视频流而不增加用户可见的延迟，v0.2 将思考者（thinker）保留为单 GPU 低延迟路径，用于流式感知、构建生成缓存的短语言/状态 Transformer 通道以及最终解码。执行者（performer）则成为一个多 GPU 的 Ulysses 风格上下文并行组，用于昂贵的下一单元潜在生成。每个执行者进程将传入的 K/V 写入预分片的本地缓存中。长的高分辨率潜在视频序列在进程间进行分割以进行去噪并通过 Ulysses 通信进行收集，而短得多的音频潜在序列则无需序列分片即可生成。在这种分割中，思考者的语言/状态计算仅作为 K/V 条件到达执行者，因此无需在执行者组内部通信单独的语言序列。这将在视觉生成上集中额外硬件，同时保持思考者-执行者之间的紧凑边界，在包含 350 毫秒双向网络预算的情况下，将总远程交互延迟保持在约 550 毫秒。