Wan-Streamer v0.1 — Review

📌 基本信息

🎯 核心概念

block-causal-attention — 块内双向、块间因果的注意力模式，为流式多模态 token 调度设计
full-duplex-interaction — 用户与 Agent 同时感知和表达的全双工交互范式
thinker-performer-pipeline — Thinker（感知+状态更新+解码）和 Performer（flow-matching 去噪）的流水线推理架构
causal-multimodal-vae — 严格因果的音频/视频变分自编码器，支持流式逐帧编码
end-to-end-streaming-interaction — 感知、推理、生成、时机、同步全部联合学习的端到端流式范式

🔗 概念网络

核心连接：wan-streamer ↔ block-causal-attention ↔ full-duplex-interaction ↔ thinker-performer-pipeline ↔ causal-multimodal-vae
已有概念桥接：→ flow-matching（条件流匹配用于联合音视频生成）→ kv-cache（Thinker-Performer KV 交换）→ diffusion-transformer（统一 DiT 骨干）→ native-streaming-ar-training（原生流式训练）
新增概念：5 个
更新已有概念：4 个（flow-matching, kv-cache, diffusion-transformer, native-streaming-ar-training）

📚 Wiki 集成

💡 关键洞察

流式是建模约束而非服务优化：Wan-Streamer 的核心方法论突破在于认识到：为离线编码器、双向解码器、回合制对话设计的系统，无法通过工程手段恢复低延迟全双工行为。流式（streamability）必须从底层架构开始设计——因果 VAE、因果编解码器、block-causal attention 不可事后修补。
单 Transformer 统一音视频交互的可行性验证：将语言、音频、视频的感知和生成全部放入一个 Transformer，不依赖外部 ASR/TTS/动画模块，在 550ms 端到端延迟下实现自然交互——这证明了"联合学习 > 级联"在真实延迟约束下是可行的。
Thinker-Performer 分离是实用的工程权衡：虽然训练时是单一模型，推理时拆分为两个 GPU 进程，通过 KV-cache 交换维持统一状态——这在不牺牲模型统一性的前提下，通过流水线重叠实现了 160ms 单元的实时吞吐。
全双工不只是一个 protocol feature：通过在全双工交互数据上训练（而非规则化的话轮管理），模型学会了中断处理、主动说话、聆听反馈——这些都是级联系列无法通过独立模块学习的行为。