「Duo-1.0-distill-quant」FP8量子化Realizationモデル:必要VRAM 80GB〜

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | inclusionAI/Duo-1.0-distill-quant |
| 公開元のまとめ | inclusionAI(Ant Group) のモデルとライセンスのまとめ |
| 公開日 | 2026-11-13 |
| ライセンス | minimax-h3-community-license |
| 配布形式 | safetensors |
| 論文 | arXiv:2611.15131 |
| 出典の種類 | 公開元の一次情報(HuggingFace公式モデルページが出典) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
inclusionAIより、リアルタイムな全双方向(Full-Duplex)マルチモーダル対話を実現するワールドモデル「Duo 1.0」のRealization重みパッケージである「Duo-1.0-distill-quant」が公開されました。本リポジトリは、Duo 1.0のRealizationモジュール向けに提供される、4ステップ蒸留済みのFP8量子化重みです。実際に使用する際は、ベースとなる基本パッケージ「inclusionAI/Duo-1.0-causal-base」のディレクトリに本重みを重ね合わせて読み込ませる仕様となっています。
モデルの背景となる研究については、論文「Duo: A Reciprocal World Model for Full-Duplex Interaction」にて詳細が公開されています。本論文では、知性と物理的現実を同等に扱う「Reciprocal World Model(RWM)」という新しい概念が提唱されています。従来のワールドモデルの多くが物理的現実のシミュレーションに偏り、推論や意思決定を外部からの制御として扱っていたのに対し、RWMでは推論や認知も世界そのものを構成する不可欠な要素として位置付けています。
RWMのアーキテクチャでは、2つの核心的な能力が定義されています。1つ目は、世界との相互作用における認知や意思決定を担う「Intent」モジュールです。2つ目は、整合性のある音声および映像挙動をリアルタイムに生成する「Realization」モジュールです。Duo v1ではこれらを実現するため、3つの重要な技術的設計を取り入れています。
第1に、単なる拡散モデルへの指示理解にとどまらず、連続的な対話推論およびインタラクションへの参加決定を行うために自己回帰モデリングを活用しています。
第2に、統一されたタイムライン上でIntentとRealizationのトークンを同期させ、チャンク固有の条件を構築しています。モジュール固有のアテンションマスクを適用することで、チャンク内およびチャンク間における因果的依存関係を維持し、未来の入力データへのアクセスを防いでいます。
第3に、両モジュールにおける分布シフトを抑えるため、デュアルロールアウト蒸留(dual rollout distillation)を採用しています。自己回帰的に生成されたIntentトークンと、Realizationによって生成された合成視聴覚履歴を組み合わせてトレーニングが行われています。
これらの設計により、Duo v1はリアルタイムで音声、映像、テキスト入力を同時に感知し続けながら、自然な会話やユーザーからの割り込みに対応可能な全双方向インタラクションを実現します。キーボードやマウスによる操作を行わずに、実物のオブジェクトを共有したり、仮想空間の構成を変更したり、アシスタントの誘導や視聴覚ゲームのプレイといった多様なユースケースに対応しています。
スペック
- バージョン: Duo 1.0
- バリアント: FP8量子化 4ステップ蒸留 Realization
- 依存ベースモデル:
inclusionAI/Duo-1.0-causal-base - Realizationフォーマット: ModelOpt FP8(per-channel scaling)
- デフォルトサンプラー: Euler(4ステップ、flow shift 5.0)
得意なこと・想定用途
Duo-1.0-distill-quantは、音声・映像・テキストという複数のモーダリティをリアルタイムで継続的に認識し、同時に応答を返す全双方向(Full-Duplex)なマルチモーダルインタラクションを得意としています。本モデルは動画生成(video-generation)および音声生成(audio-generation)の能力を備えており、リアルタイムでの自然な対話や反応を伴うシステム構築に適しています。
資料から読み取れる具体的な想定用途およびユースケースは以下の通りです。
- 自然な会話とユーザーからの割り込み対応: リアルタイムで音声やテキストの入力を処理し続けるため、会話の途中でユーザーが発話を割り込ませた場合でも、滞りなく柔軟に対応することが可能です。
- カメラ映像を通じた実物共有とアシスタント機能: ユーザーが手元の実物オブジェクトをカメラで共有しながら説明を受けたり、AIアシスタントに対してリアルタイムに指示や誘導を行ったりする用途に対応します。
- マウス・キーボード不使用の仮想空間操作とゲーム: 従来の入力デバイスを使用せず、音声や映像による操作を通じてバーチャルシーンの構成を変更したり、視聴覚的なゲームをプレイしたりするインタラクティブな環境を実現できます。
このように、認知を担うIntentモジュールと生成・表現を担うRealizationモジュールを組み合わせることで、単なるメディア生成にとどまらない高度なワールドモデルとして活用できます。
動作環境
動作環境の目安(Local Model Watch 算出)
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| A100 / H100 80GB クラス | そのままの精度(realization) | 43.8GB | 52.6GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は safetensors です。
ライセンス minimax-h3-community-license: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
当サイトでの実測
ライセンスの都合で行っていない実測
このモデルのライセンス(minimax-h3-community-license)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。
入手方法
Duo-1.0-distill-quantは、Hugging Faceにてsafetensors形式で公開されています。フォーマットには ModelOpt FP8(per-channel scaling)が採用されています。
本モデルを利用するには、まずベースとなる構成がまとめられた inclusionAI/Duo-1.0-causal-base をダウンロードし、同じ保存先ディレクトリに対して本リポジトリ inclusionAI/Duo-1.0-distill-quant のRealization重みを上書き(オーバーレイ)して配置する必要があります。共有のIntentモジュール、各種コーデック、音声モデル、およびRealizationバックボーンはベースパッケージ側から提供される仕組みとなっています。
モデルの取得には、hf コマンド等を使用した以下のダウンロード手順が案内されています。
hf download inclusionAI/Duo-1.0-causal-base --local-dir weights
hf download inclusionAI/Duo-1.0-distill-quant --local-dir weights
実行時には、使用するランタイムがパッケージ化されている ModelOpt FP8 フォーマット、または同等の変換パスに対応している必要があります。実装コードや設定ファイル、各種ランタイムへの統合方法などの詳細については、公式のGitHubリポジトリ inclusionAI/Duo をご参照ください。
関連記事
- Duo-1.0モデル群: inclusionAIのリアルタイム相互作用ワールドモデル
- 「Ling-3.0-flash-Sante-fp8」医療分野に特化した大規模言語モデル:必要メモリ約144GB
- Duo-1.2-causal-base: 全二重マルチモーダルワールドモデル
- 「SingVL_S1_4B_GGUF」4Bのマルチモーダル意思決定モデル:必要VRAM 4GB〜
次に読むなら
- GPUのVRAMから探す(このモデルは80GBの階層から動きます) → VRAM別 ローカルモデル早見表
- このモデルを入手できる形式を調べる → Safetensors形式の解説と対応モデル
- 公開元について調べる → inclusionAI(Ant Group) のモデル・ライセンス・記事のまとめ

