Колишній технічний директор OpenAI викликає на поєдинок колишню компанію: нова модель відповідає за 200 мс, затримка перевищує GPT-Realtime

Згідно з моніторингом Beating, лабораторія Thinking Machines, заснована колишнім технічним директором OpenAI Мірою Мураті, опублікувала попередній огляд дослідження «інтерактивної моделі». Новий системний підхід відмовився від традиційної практики з’єднання голосу та тексту за допомогою зовнішніх інструментів, обробляючи реальний час аудіо-відео взаємодії нативно. Модель може отримувати інформацію з затримкою 200 мілісекунд у режимі «міні-раунду», що дозволяє одночасно слухати, дивитися і говорити, а також підтримує миттєве переривання користувачем.

Перший продемонстрований зразок моделі TML-Interaction-Small використовує архітектуру MoE з 2760 мільярдами параметрів, активуючи кожного разу 12 мільярдів параметрів. Щоб змінити недолік традиційних великих моделей «завершують сприйняття під час генерації відповіді», команда розробників розділила систему на фронтенд і бекенд: фронтенд-модель спеціалізується на підтримці безперервного діалогу, а бекенд-модель синхронно обробляє складні висновки, пошук у вебі або генерацію інтерфейсу користувача, а потім безшовно передає результати назад на фронтенд.

Ця архітектура безпосередньо перевершує конкурентів за швидкістю реагування. За даними офіційних джерел, затримка голосового циклу становить лише 0,40 секунди, а в FD-bench V1.5 отримала 77,8 балів, обидва ключові показники вищі за GPT-realtime-2.0 і Gemini 3.1 Flash Live. Однак безперервна обробка аудіо-відео швидко споживає контекстний обсяг, а низька затримка дуже залежить від мережевого середовища. Thinking Machines планує у найближчі місяці відкрити обмежений попередній перегляд.