通义 Wan-Streamer v0.2 把听看说演塞进一个 Transformer，端到端延迟压到 550 毫秒

通义实验室发布 Wan-Streamer v0.2，端到端响应延迟仅 550ms

通义实验室放出了 Wan-Streamer v0.2，一个把音频、视觉、语音和动作生成全塞进单个 Transformer 的模型。它从听到指令到给出画面和声音，端到端只花 550 毫秒，比上一代快了不少。输出分辨率从 v0.1 的 192×336 提到了 640×368，帧率 25FPS，画质明显上了一个台阶。架构上用了 Thinker-Perform...

推荐理由：通义实验室这个 Wan-Streamer v0.2 把多模态生成压进单模型，550ms 延迟和分辨率翻倍都是硬指标，H 和 K 直接到位。R 没给是因为正文没披露实际部署成本、具体应用案例或对比竞品的胜负手，对普通读者来说少了一个能转述的故事点。