Wan-Streamer v0.2: Höhere Auflösung, gleiche Latenz

Zusammenfassung

Wir präsentieren Wan-Streamer v0.2, eine latenzerhaltende Weiterentwicklung des nativen Streaming-Modells für eine End-to-End-Audio-Visual-Interaktion. v0.2 behält die Modellierungsformulierung von v0.1 bei, erhöht jedoch den interaktiven Ausgabestrom von 192×336 auf 640×368 und bewahrt dabei eine modellseitige Signal-zu-Signal-Latenz von etwa 200 ms bei 25 FPS. Der höherauflösende Strom unterstützt szenenverankerte Agenten in Halbnahaufnahme, deren Körperhaltung, Blickrichtung, Hände, nahegelegene Objekte und lokale Szenenanordnung während eines Echtzeitgesprächs erkennbar bleiben. Um den größeren visuellen Strom zu unterstützen, ohne zusätzliche, vom Benutzer wahrnehmbare Verzögerung einzuführen, behält v0.2 den Thinker als Single-GPU-Pfad mit niedriger Latenz für das Streaming-Perception, den kurzen Sprach-/Zustands-Transformer-Durchlauf, der den Generierungs-Cache aufbaut, und die finale Dekodierung. Der Performer wird zu einer Multi-GPU-Ulysses-artigen kontextparallelen Gruppe für die teure Generierung der nächsten latenten Einheit. Jeder Performer-Rang schreibt eingehendes K/V in einen vorshardierten lokalen Cache. Die lange hochauflösende latente Videosequenz wird über die Ränge zum Entrauschen aufgeteilt und über Ulysses-Kommunikation zusammengeführt, während die wesentlich kürzere latente Audiosequenz ohne Sequenz-Sharding generiert wird. In dieser Aufteilung erreicht die Sprach-/Zustandsberechnung des Thinkers den Performer nur als K/V-Konditionierung, sodass innerhalb der Performer-Gruppe keine separate Sprachsequenz kommuniziert werden muss. Dies konzentriert zusätzliche Hardware auf die visuelle Generierung, während die kompakte Thinker-Performer-Grenze erhalten bleibt, und hält die gesamte Remote-Interaktionslatenz bei etwa 550 ms, wenn ein bidirektionales Netzwerkbudget von 350 ms berücksichtigt wird.

English

We present Wan-Streamer v0.2, a latency-preserving upgrade of the native-streaming, end-to-end audio-visual interaction model. v0.2 keeps the v0.1 modeling formulation, but raises the interactive output stream from 192x336 to 640x368 while preserving approximately 200 ms model-side signal-to-signal latency at 25 FPS. The higher-resolution stream supports scene-grounded mid-shot agents whose posture, gaze, hands, nearby objects, and local scene layout remain legible during real-time conversation. To support the larger visual stream without adding user-visible delay, v0.2 keeps the thinker as a single-GPU low-latency path for streaming perception, the short language/state Transformer pass that builds the generation cache, and final decoding. The performer becomes a multi-GPU Ulysses-style context-parallel group for the expensive next-unit latent generation. Each performer rank writes incoming K/V into a pre-sharded local cache. The long high-resolution latent video sequence is split across ranks for denoising and gathered through Ulysses communication, while the much shorter audio latent sequence is generated without sequence sharding. In this split, the thinker's language/state computation reaches the performer only as K/V conditioning, so no separate language sequence has to be communicated inside the performer group. This concentrates additional hardware on visual generation while preserving the compact thinker-performer boundary, keeping total remote interaction latency at approximately 550 ms when a 350 ms bidirectional network budget is included.