蚂蚁与清华发布 Realtime-Venus：前台全双工对话，后台异步跑任务

首次发布 2026年9月12日 UTC 08:56传播指数 61

蚂蚁集团与清华大学推出实时多模态 Agent 系统 Realtime-Venus。它采用双循环架构，由两个 9B 模型负责音视频感知与全双工语音，复杂推理则由后台异步处理。用户不用为了等 AI 干活而中断对话，很适合智能眼镜和车载场景。

平时跟语音助手对话，最尴尬的就是让它查点东西，空气突然安静好几秒。蚂蚁集团和清华大学联合推出的 Realtime-Venus，想解决的就是这种停顿。

前台陪聊，后台干活

Realtime-Venus 是一套实时多模态 Agent 系统，主打能持续听、看、说，同时在后台处理复杂任务。

它的核心是一套双循环架构，由两个 9B 模型和一个协调机制 Harness 组成。其中 Realtime-Venus-Omni 负责持续感知音视频输入，Realtime-Venus-Audio 负责原生全双工语音交互。

至于耗时的搜索、复杂推理和工具调用，则交给 Realtime-Venus-Harness 委派到后台异步执行。等后台把事情办完了，再把结果带回当前对话。前台的交流完全不断，用户不需要为了等待 AI 干活而干等着。

把交互链路与耗时任务彻底解耦，这一步走得很聪明。以往的语音助手更像单线程接口，一旦调用工具就必须暂停对话；Realtime-Venus 则把它变成了一个能一边看着周围环境跟你闲聊、一边在底层干活的助手。

我们认为，这对智能眼镜和车载场景尤其有用。戴着眼镜走动或开车时，用户无法接受界面卡死或长时间的死寂。不过两个 9B 模型加上后台 Agent，对端侧算力或云端协同提出了不低的要求，未来在硬件上的功耗与网络表现，将是检验它能否真正落地的关键。