跳到主要內容

Thinking Machines Lab 推出人機協作的互動模型


Thinking Machines Lab 發布互動模型 (Interaction Models) 的研究預覽版，這是一種能夠原生處理交互，而非依賴外部框架，該模型讓人們能夠像彼此自然協作一樣與人工智慧協作——它們持續接收音訊、視訊和文本，並即時思考、回應和行動。


以往的模型是在單線程環境下體驗現實的 (例如 Moshi、PersonaPlex、Nemotron VoiceChat 或 GPT-Realtime-Translate)，在使用者完成輸入或說話之前，模型會處於等待狀態，無法感知使用者正在做什麼或如何做，在模型完成產生之前，其感知會處於凍結狀態，不會接收任何新訊息，直到生成完成或中斷，這為人類與人工智慧的協作創造了一個狹窄的管道，限制了個人知識的運用。

Thinking Machines Lab 相信可以透過讓 AI 即時互動到任何模態來解決頻寬瓶頸問題，AI 介面能夠真正貼合人類的需求，而不是強迫人類扭曲自身來適應 AI 介面。

互動模型 (Interaction Models) 能力

  • 無縫對話管理: 該模型能夠隱式地追蹤說話者是在思考、讓步、自我糾正還是邀請回應。無需單獨的對話管理元件。
  • 口頭和視覺上的介入: 該模型會根據上下文按需介入，而不僅僅是在用戶說完之後。
  • 同步語音: 使用者和模型可以同時說話（例如即時翻譯）。
  • 時間感知能力: 該模型具有對時間流逝的直接感知。
  • 工具呼叫、搜尋和生成式使用者介面同時進行: 在與使用者對話和聆聽的同時，模型可以同時進行搜尋、瀏覽網頁或產生使用者介面，並根據需要將搜尋結果融入對話中。

互動模型 (Interaction Models) 採用微輪次機制，持續交錯處理 200 毫秒的輸入與產生 200 毫秒的輸出。輸入和輸出令牌均被視為資料流，而非消耗完整的使用者輪流並產生完整的回應。以 200 毫秒為單位處理這些資料流，可實現多種輸入輸出模式的近即時並發。

互動模型 (Interaction Models) 不採用大型獨立編碼器處理音頻和視頻，而是選擇預處理量最小的系統，許多全模態模型需要訓練單獨的編碼器（例如 Whisper 類別模型）或解碼器（例如 TTS 模型），Thinking Machines Lab 則將音訊訊號作為 dMel 格式（Bai 等人，2024）接收，並透過輕量級嵌入層進行轉換，影像被分割成 40x40 的影像區塊，並使用 hMLP（Touvron et al. 2022）進行編碼，音訊解碼器採用串流頭（Lipman at al. 2022）。

現今的商業即時 API 透過純音訊對話管理機制進行輪次偵測，它們能夠回應語音指令，但無法在視覺環境變化時主動選擇是否發言。

Thinking Machines Lab 採用了三個基準來評估我們模型的視覺主動性：

  • RepCount-A 包含重複動作的視頻，並被改編成一個線上計數任務。
  • ProactiveVideoQA 由帶有問題的影片組成，答案會在特定時刻顯示。
  • Charades 是一個標準的基於時間的動作定位基準測試。

局限性和未來工作

  • 長時間會話: 持續的音訊和視訊會迅速累積上下文資訊。
  • 計算與部署: 低延遲的音訊和視訊串流傳輸需要可靠的網路連線。
  • 對準和安全: 即時介面為對準和安全領域開闢了一個令人興奮的研究方向。
  • 擴展模型規模: 目前模型 TML-Interaction-Small 是一個包含 2760 億個參數的 MoE，其中 120 億個參數處於啟動狀態。
  • 改進的後台代理: 雖然本文主要關注即時交互，但代理智能也是一項至關重要的能力。


https://kopyai.com/zh-tw/latest/view/type.news/0/70

Thinking Machines Lab, "Interaction Models: A Scalable Approach to Human-AI Collaboration",
Thinking Machines Lab: Connectionism, May 2026.

Picture Source
ThinkingMachinesLab

標籤：

留言

張貼留言

這個網誌中的熱門文章

美國公布 2025 年六月非農就業人數

美國勞工統計局今天報告稱，6 月非農業就業總人數增加了 14.7 萬人，失業率基本持平於 4.1%。州政府和醫療保健領域的就業機會增加。聯邦政府部門的就業機會持續減少。 本新聞稿提供的統計數據來自兩項月度調查。 家庭調查以人口統計特徵衡量勞動力狀況，包括失業率。 機構調查以行業衡量非農業就業人數、工時和收入。 家庭調查數據 6月份，失業率為 4.1%，失業人數為 700 萬，兩者皆變化不大。自2024年5月以來，失業率一直維持在 4.0% 至 4.2% 的窄幅區間內。 在主要勞動族群中，非裔美國人（6.8%）的失業率在6月有所上升，而成年女性（3.6%）和白人（3.6%）的失業率則下降。成年男性（3.9%）、青少年（14.4%）、亞裔（3.5%）和西班牙裔（4.8%）的失業率在當月幾乎沒有變化。 6 月份，長期失業人數（失業 27 週或以上）增加了 19 萬，達到 160 萬，基本上抵消了上個月的降幅。長期失業者佔所有失業人口的 23.3%。 6 月份，勞動參與率基本維持不變，為 62.3%，就業人口比率維持在 59.7%。 6 月份，因經濟原因從事兼職工作的人數為 450 萬，基本維持不變。這些人原本更傾向於全職工作，但由於工作時間減少或無法找到全職工作，他們只能從事兼職工作。 6 月份，目前希望就業但未加入勞動力的人數基本保持不變，為 600 萬人。這些人未被計入失業人數，因為他們在調查前 4 週內沒有積極尋找工作，或無法接受工作。 在希望就業但未加入勞動力隊伍的人數中，6 月處於邊緣就業狀態的人數增加了 23.4 萬人，達到 180 萬人。這些人希望工作，並且能夠工作，在過去 12 個月的某個時間點尋找工作，但在調查前 4 週內沒有尋找工作。灰心喪志的工人（邊緣就業人群中的一部分，他們認為沒有工作機會）的人數在 6 月增加了 25.6 萬人，達到 63.7 萬人。 機構調查數據 6月份非農業就業總人數增加了 14.7 萬個，與過去 12 個月平均每月增加 14.6 萬個的水平持平。6月份，州政府和醫療保健領域的就業機會增加。聯邦政府的就業機會持續減少。 6月政府就業機會增加了 7.3 萬個。州政府就業機會增加了4.7萬個，主要集中在教育領域（增加了4萬個）。地方政府教育領域的就業機會持續增加（增加了2.3萬個）。聯邦政府就業機會持續減少（減少了7千個），自1月...
張貼留言
閱讀完整內容

DeepSeek-V3.1 發布，邁向 AI Agent

DeepSeek-V3.1 在 DeepSeek-V3.1-Base 的基礎上進行後訓練，後者基於原始 V3 基礎檢查點，通過兩階段長上下文擴展方法構建，遵循原始 DeepSeek-V3 報告中概述的方法。 DeepSeek 透過收集更多長文件並大幅擴展兩個訓練階段來擴展資料集。32K 擴展階段的標記數量增加了 10 倍，達到 6,300 億個標記，而 128K 擴展階段的標記數量增加了 3.3 倍，達到 2,090 億個標記。此外，DeepSeek-V3.1 使用 UE8M0 FP8 規模資料格式進行訓練，以確保與微尺度資料格式相容。 DeepSeek-V3.1 是一個同時支持思考模式和非思考模式的混合模型。相較於上一版本，本次升級帶來了多個方面的改進： 混合推理：思考與非思考－一個模型，兩種模式 更快的思考：DeepSeek-V3.1-Think 與 DeepSeek-R1-0528 相比，可以在更短的時間內找到答案 更強大的代理商技能：後製訓練可提高工具使用率和多步驟代理任務 DeepSeek-V3.1 模型提升了工具使用、程式碼生成和推理效率，在高難度基準測試中實現了與 DeepSeek-R1 相當的效能，同時響應速度更快。它支援結構化工具呼叫、代碼代理和搜尋代理，適用於研究、編碼和代理工作流程。 工具和代理程式升級 在 SWE / Terminal-Bench 上獲得更好的結果 針對複雜搜尋任務的更強大的多步驟推理 思考效率大幅提升 模型更新 V3.1 基礎：在 V3 基礎上繼續對 840B 個 token 進行預訓練，以進行長上下文擴展 Tokenizer 和聊天範本已更新 - 新的 tokenizer 設定： https://huggingface.co/deepseek-ai/DeepSeek- V3.1/blob/main/tokenizer_config.json V3.1 基礎開源權重： https://huggingface.co/deepseek-ai/DeepSeek-V3.1-Base V3.1 開源權重： https://huggingface.co/deepseek-ai/DeepSeek-V3.1 價格變動 新定價開始及非高峰折扣結束時間為 2025 年 9 月 5 日 16:00（UTC 時間） 在此之前，API 遵循當前定價 ...
張貼留言
閱讀完整內容

Multiverse Computing 推出微型高性能 AI 模型

據公司新聞稿稱，Multiverse Computing 表示已經解決了長期困擾人工智慧的一個問題：在不損失效能的情況下縮小模型。 這家總部位於西班牙的公司週四發布了名為 "Model Zoo" 的產品，這是一系列 "奈米模型"，據稱這些模型可以在中等硬體上本地運行，同時性能可匹敵甚至超越更大型的系統。 此次發表的產品包括兩款新產品——ChickenBrain 和 SuperFly，旨在證明在人工智慧領域，規模越大並不一定越好。 ChickenBrain 是 Meta 的 Llama 3.1 大型語言模型的精簡版，Multiverse 表示，該模型比通常所需的計算資源小 3700 倍。儘管如此，該模型在 MMLU Pro、MATH500、GSM8K 和 GPQA Diamond 等行業基準測試中仍優於 Llama 3.1 8B。 該公司在 MacBook Pro 和低成本 Raspberry Pi 等日常設備上對其進行了測試，表明它無需專門的雲端基礎設施即可運行。 SuperFly 較小，基於開源的 SmolLM2 135 模型，僅有 9,400 萬個參數。 Multiverse 表示，它足夠小，可以容納兩隻蒼蠅的神經容量，比雞腦小 15000 倍。該模型旨在實現無需互聯網連接即可運行的對話式 AI，因此非常適合嵌入到消費產品和車輛中。 該公司指出，SuperFly 可在智慧家電等領域實現直接應用，無需將資料傳送到雲端即可實現語音控制。這將使洗衣機或冰箱即使在離線狀態下也能回應簡單的語言指令。在汽車領域，它可以為車載助理提供動力，使其在沒有蜂窩信號覆蓋的區域也能繼續運行，處理導航、氣候和音頻任務。 https://theaiinsider.tech/2025/08/15/multiverse-computing-reports-it-shrinks-ai-models-without-sacrificing-power/ Picture Source: Multiverse Computing
張貼留言
閱讀完整內容