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

標普 500 指數和那斯達克指數結束兩週連漲勢頭，人工智慧引發的動盪令科技股承壓

週五美國股市波動劇烈，半導體股在有關 OpenAI ( OPAI.PVT ) IPO 可能推遲的報道出現後回落，這加劇了本週令市場劇烈震蕩的不利因素。 科技股為主的那斯達克指數（^IXIC）下跌 0.2%，而標準普爾 500 指數（^GSPC）小幅下跌，這兩個指數本週分別下跌 超過 4% 和近 2%。 道瓊工業指數（^DJI）科技股佔比較低，跌破橫盤整理線，但周漲幅不到 1%。 蘋果公司（ AAPL）上調 MacBook 和 iPad 價格後，人們越來越擔心記憶體和儲存組件成本飆升可能會衝擊設備製造商。內存晶片製造商美光科技（ MU）亮眼的財報表明，這種成本壓力還將繼續。 同時，《紐約時報》報道稱，OpenAI 正在考慮將其巨額 IPO 推遲到 2027 年，這也抑制了人們對科技股的興趣。 由於市場預期聯準會今年將升息，人工智慧交易已承壓。聯準會首選的通膨指標—個人消費支出指數— —5月份的強勁表現，進一步鞏固了這一預期。 https://kopyai.com/zh-tw/markets/view/type.stock.us/0/165 Picture Source unsplash
張貼留言
閱讀完整內容

西班牙監管機構表示，歐盟數位貨幣監管截止日期不會延長，幣安仍未獲得許可

西班牙最高證券監管機構週五表示，該國不會延長數位貨幣公司根據新規註冊的最後期限——儘管幣安公司正努力完成註冊。 根據歐盟新實施的 MiCA 數位貨幣框架，企業必須在 7 月 1 日前在成員國註冊並繼續營運。如果未能在下週前完成註冊，則將強制停止營業。下週後，歐洲消費者將無法與未經授權的數位貨幣服務提供者進行交易。 全球最大的數位貨幣交易所幣安曾申請在希臘根據《貨幣與公司法》（MiCA）註冊。但先前有報告指出希臘不太可能批准註冊申請，幣安本周宣布撤回在希臘的申請。目前，幣安正尋求在另一個歐盟成員國註冊，但由於下週三截止日期臨近，幣安很可能被迫至少暫時停止在歐洲的業務運作。 根據路透社報道，西班牙國家證券市場委員會主席卡洛斯·聖巴西利奧週五表示，7 月 1 日的最後期限“不會有任何例外或延期”。 聖巴西利奧對幣安等大型數位貨幣平台表示擔憂，這些平台由於缺乏 MiCA 合規性，可能在幾天內關閉。 他說：“我們擔心的是……過渡期的結束將如何展開，以及人們將如何適應新的環境。” 該監管機構補充說，他和一些人正在與尚未獲得牌照的主要數位貨幣公司聯繫，以確保他們制定計劃將客戶資產轉移到其他提供者，並確保投資者的權利。 一旦數位貨幣公司在歐盟國家註冊，其牌照即可「通行」至其他司法管轄區。歐盟成員國在金融監管方面採取了多種不同的方法，從塞浦路斯和馬耳他等較為寬鬆的監管體系，到法國和德國等以監管嚴格著稱的體系，不一而足。 雖然每個歐盟國家處理申請的方式可能各不相同，但所有國家都將執行同一套更廣泛的數位貨幣相關規則。 https://kopyai.com/zh-tw/markets/view/type.stock.us/0/166 Picture Source unsplash
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