Thinking Machines 推出互動模型：拋棄輪流說話，200 毫秒級原生即時協作

如果你最近經常跟各種 AI 語音助手聊天，大機率被一種體驗折磨過：你剛說到一半稍微停頓換口氣，它就迫不及待搶話；或者它在滔滔不絕背書時，你想糾正一句，必須狠狠戳一下螢幕上的打斷按鈕。

這種感覺不像是在和人面對面說話，更像是在用對講機或者來回發郵件。前 OpenAI 技術長 Mira Murati 去年創立的初創公司 Thinking Machines Lab，打算徹底推翻這套互動邏輯。

Thinking Machines 釋出了互動模型（Interaction Models）的研究預覽。他們認為現在主流大模型全都在單執行緒裡體驗世界，直到使用者說完，模型才開始反應；模型一旦開始生成，對外界的感知就徹底凍結。為了打破這個瓶頸，他們打造了一個端到端原生處理互動的新架構。

扔掉外部腳手架，讓 AI 邊聽邊想邊插嘴

以往的大多數商業即時語音系統，基本是在原本按輪次回覆的模型外面，套了一堆工程腳手架。比如用獨立的語音活動檢測模組來猜你什麼時候閉嘴，再決定要不要接話。

Thinking Machines 這次直接把互動能力做進了模型底層。他們採用了多流微輪次設計，直接把輸入和輸出拆解成兩百毫秒一個的處理時間視窗。

模型不再等待一整句完整的話，而是以兩百毫秒為單位持續接收音訊、影片和文本流，同時以相同的節奏向外吐出內容。這意味著模型能夠感知你說到一半是在思考、猶豫，還是真的在等你回答，甚至能在你出現錯誤時主動插話，或者和你同時出聲進行同聲傳譯。

為了兼顧極速反應和複雜推理，Thinking Machines 採用了一套雙模型架構。臺前是一個具備時間感知能力的即時互動模型，負責維持對話現場的呼吸感；幕後則掛著一個非同步執行的背景模型，專門處理深度思考、工具呼叫、併發網頁搜尋和介面生成。

當你在影片裡展示一段程式碼並隨口提問時，前臺模型可以一邊跟你保持自然對話，一邊等待後臺模型把深入排查的結果織回交流中。據報道，其名為 TML-Interaction-Small 的模型響應時間只有零點四秒，大致相當於人類日常自然對話的速度，明顯快於 OpenAI 和 Google 的同類方案。

為什麼重要

我們認為，Thinking Machines 踩中的是人機協作中最彆扭、卻最常被大廠忽視的一個痛點。現在的行業主流都在瘋狂比拼長任務自動化，巴不得使用者交代完一句話就走人；但現實中很多複雜的腦力工作，人類根本無法在一開始就把需求寫成一份滴水不漏的提示詞，最有效的協作往往發生在邊聊、邊看、隨時打斷糾偏的動態過程中。

從架構上看，把互動能力原生化是一個極其聰明的決定。按照計算領域的苦澀教訓，靠外掛工程規則堆出來的腳手架，遲早會被更強的通用模型能力甩在身後。把打斷、時間感知和視聽同步直接塞進模型，意味著未來只要模型引數規模和訓練資料擴大，互動質感就會自然跟著水準提升，而不需要一遍遍重寫外掛邏輯。

不過普通使用者現在還很難親自上手驗證。Thinking Machines 明確表示這只是一個研究預覽，有限的測試將在未來幾個月內開放，更大範圍的釋出則要等到今年晚些時候。零點四秒的延遲在官方演示裡看起來非常驚豔，但雙模型協作的實際穩定性、前臺閒聊與後臺推理結果拼接時的流暢度，都還需要在真實複雜的網路環境和長任務場景下經受考驗。對正在跟進多模態全雙工賽道的廠商來說，Thinking Machines 已經把競爭的門檻從拼聲音音色，直接推向了拼原生互動吞吐量的全新戰場。