
2013 年电影中的理想 AI 照进现实
2013 年的科幻电影《Her》中,操作系统 Samantha 让观众首次具象化了理想的 AI 存在方式。十三年后,由 OpenAI 前 CTO Mira Murati 创立的 Thinking Machines Lab 发布研究预览,其构建的交互模型与 Samantha 的逻辑高度契合。这篇题为《交互模型:人机协作的可扩展方案》的博客,核心强调「presence」——持续在场。2024 年,Mira Murati 在 OpenAI 主持发布了 GPT - 4o 的高级语音模式,让人机交互更接近自然交流。两年后,她另起炉灶又做了这件事。
主流 AI 交互界面的问题
文章开篇结合 METR 在 2025 年的研究报告指出,主流 AI 公司倾向将「模型自主完成长任务」作为重要能力指标,导致交互界面几乎没给人类留出持续参与空间。但实际工作中,需求难在最初交代完美,高质量产出需人持续介入与反复调整,现有的「回合制」机制缺乏这样的通道。语言学者 Clark 和 Brennan 在 1991 年、Walter Ong 在 1982 年、哈耶克在 1945 年的研究都表明,高效沟通依赖共在、同时性和并发性,真正有价值的知识存在于即时的细节传递中。现在的模型工作时,用户输入,AI 等待;AI 输出时,对用户即时反应一无所知,Thinking Machines 将此比喻为靠发邮件来回拉扯。
实时语音市场的局限与新探索
目前实时语音市场存在两条有局限的路线。大多数主流商业系统是靠在模型外接入语音活动检测(VAD)等组件拼接出的「伪实时」,局限性明显,模型无法主动打断对话等。市场上虽有 Moshi、PersonaPlex 等无需 VAD 的原生全双工系统,但多为小规模模型,为低延迟在综合智能水平上做了妥协。Thinking Machines 认同强化学习学者 Richard Sutton 的观点,认为交互能力必须成为模型原生的一部分。为此,他们参考业界探索,从头训练了原生支持实时交互的系统,由「交互模型」(前台)和「后台模型」协同工作。基于时间对齐的微轮次分析/微轮次机制,模型以 200 毫秒为处理单元,持续交替处理输入与输出,能隐式追踪用户状态,无需独立对话管理模块,还能并行调用工具等。在模态处理上,省去独立大型编码器,实现「流式会话」机制并优化底层算力与通信。遇到复杂任务时,前台抛上下文给后台,后台流式返回结果,前台融入对话,同时模型也进行了安全相关测试。
新模型成绩亮眼
测试中,名为 TML - Interaction - Small(活跃参数 12B)的模型表现出色。在 FD - bench v1.5 基准中,TML 获 77.8 分,远超 GPT Realtime - 2.0(46.8 分)和 Gemini(54.3 分),轮次切换延迟仅 0.40 秒。在 FD - bench v3 中,其响应质量/Pass@1(82.8/68.0)稳压竞品高延迟版本。在其他综合测试中,TML 也展现平衡性,如 QIVD 音视频问答(54.0 分)、BigBench Audio(75.7/96.5 分)、IFEval 指令遵循(82.1/89.7 分),并在 Harmbench 保持 99.0% 的安全拒绝率。虽然在部分纯智力单项上略落后于 Qwen 3.5 Omni 或 GPT - 2.0 极高延迟版,但它是唯一在响应速度与智能水平上双优的模型。Thinking Machines 自建多项评测,TML 在多项单项测试中取得有效成绩,而对比的主流模型在这些场景下几乎得零分或沉默以对。
架构局限与未来展望
这套架构目前有局限,长会话上下文积累难管理,流式音视频依赖网络稳定性,且尚未扩展至更大参数量版本,计划今年晚些时候发布。参与工作的研究员 Neal Wu 概括初衷是让和 AI 协作更像和人说话,CTO Soumith Chintala 将整体路线图分为三步。翁荔推文提到人与人协作对改善人与 AI 协作至关重要。当模型在场感增强,人们对它的认知和依赖会如何改变,论文留下「实时对齐与安全」的开放性方向,或许我们真正需要对齐的是人类自己在新世界中的位置。



被折叠的 条评论
为什么被折叠?



