2026年7月17日，阿里通义实验室正式发布Wan-Streamer v0.2模型。该模型面向实时双工交互，首次将听、看、说、演统一于单个Transformer架构。其端到端响应延迟仅550ms（含350ms网络延迟），输出分辨率提升至640×368@25FPS，支持文本、音频、视频的流式同步理解与生成。通过‘思考者’（单卡低延迟通路）与‘执行者’（多卡Ulysses并行视频生成）双通路解耦设计，实现高画质与低延迟兼顾。模型已应用于视频通话助手、教育陪伴、沉浸式游戏NPC及无障碍交互等场景。