Thinking Machines 原生交互模型预览
推荐指数 67.0 NO. 015 · 2026.05.12
发布2026/05/11Score96Comments9
为什么值得看
Thinking Machines 从头训练了原生处理多模态实时交互的模型，采用多流微轮次设计实现低延迟响应。这对 AI 工程师意味着人机协作可能从"调用 API"转向"持续对话"，语音/视频 Agent 的延迟瓶颈有望被根本解决。
编辑判断
当前语音/视频 Agent 的架构普遍是 ASR + LLM + TTS 的三段式拼接，延迟通常在 500ms-2s，且对话轮次管理靠外部状态机硬编码。Thinking Machines 的"微轮次"设计把交互内化为模型的原生能力，类似从 CGI 模式切换到事件驱动模式。
值得警惕的是，这家公司由 OpenAI 前研究 VP 创立，团队里有 GPT-4 核心成员，不是学术 Demo 路线。如果他们的 infra 假设成立，现有依赖 VAD + 打断检测的语音 Agent 框架（如 Bland、Retell）的技术护城河会被削弱。
做实时语音/视频产品的团队应该关注其后续是否开放 API 或开源推理代码，这决定了是立即跟进架构迁移，还是继续观望现有方案优化空间。
社区反馈
意见分歧 9 条评论
核心争论：原生实时多模态交互是突破性进展，但演示场景是否实用、交互风格能否定制存疑
Aside from how impressive the model is, the demos here are very well done! Quirky and short, unlike what we're used to from Anthropic and OpenAI.
incredibly impressive demos. I wonder how the training data for these models look like? is it separate batches of special "skills" that are added post training? how can they guarantee the models won't eventually lose a skill?
That's neat and definitely the next step. But to be honest, I don't want an AI talk to me like that.