摘要： 5 月 11 日，Thinking Machines Lab——由 Mira Murati（前 OpenAI 技術長）創辦的公司——貼出長篇研究文章《Interaction Models》，主張一條名為「互動模型」（interaction models）的路線：即時互動的能力不用語音活動偵測這類外部工程去拼湊，而是直接訓練進模型本體。研究預覽的第一號模型 TML-Interaction-Small，是一顆總參數 276B、每次只啟動 12B 的 MoE，語音、視訊與文字都能同時接收、同時輸出。
5 月 11 日，Thinking Machines Lab——由 Mira Murati（前 OpenAI 技術長）創辦的公司——貼出長篇研究文章《Interaction Models》，主張一條名為「互動模型」（interaction models）的路線：即時互動的能力不用語音活動偵測這類外部工程去拼湊，而是直接訓練進模型本體。研究預覽的第一號模型 TML-Interaction-Small，是一顆總參數 276B、每次只啟動 12B 的 MoE，語音、視訊與文字都能同時接收、同時輸出。
文章衝著當前所有即時語音產品共享的架構前提而來：全雙工互動不該由管線負責，該由權重負責。正在做語音代理或即時產品的團隊，等於收到了一則方向清楚的訊號。
互動能力為何必須內建於模型
目前的對話系統都以回合制運作：模型一旦開始生成就停止感知，即時感全靠 VAD、輪替策略、打斷規則這些外部機制拼湊。實驗室拿「苦澀教訓」（bitter lesson）來支撐核心論點：這類手工工程不會隨模型智力等比例變強，唯有讓互動本身成為模型能力，才追得上規模化曲線。互動模型讓模型一邊感知、一邊生成——靜默、說話重疊、中途插話全都留在上下文中，人為畫出的回合邊界就此消失。
架構解析：以 200 毫秒為單位的微回合
關鍵機制叫時間對齊微回合（time-aligned micro-turns）：模型每 200 毫秒交錯進行一次輸入處理與輸出生成，對話節奏的資訊因此完整寫入上下文。架構走 encoder-free 的早融合設計：語音先變成 dMel tokens，由一層輕量嵌入送進模型；影像被切成一格格 40x40 的 patches，交給 hMLP 編碼；語音解碼則由 flow head 完成；所有元件從零開始共同訓練。工程投入同樣紮實：串流推導構築在 SGLang 之上（改動已回饋上游）、批次不變核心讓訓練與取樣一致到每個位元，另外還自力寫出 gather+gemv 的 MoE 核心與基於 NVLS 的通訊核心。
雙模型分工：前台即時互動，幕後負責思考
系統層交給兩個模型分工：互動模型守在前台即時應對，長程 agentic 任務、瀏覽、工具呼叫與推理則交由非同步的背景模型處理；雙方共享同一份上下文，背景模型的產出會在恰當時機串流回對話。數據顯示這套分工確實奏效：BigBench Audio 在背景代理加入後從 75.7 躍升至 96.5；FD-bench v3 更以 82.8/68.0 拿下最佳成績——等於只花非思考模型的延遲，就取得推理模型的智力。
基準檢驗：贏在哪裡、輸在哪裡
在 FD-bench v1.5 上，互動品質拿到 77.8，同場對手依序為：Qwen 3.5 OMNI 39.0、Gemini-3.1-flash-live（minimal）54.3、GPT-realtime-1.5 48.3，以及 GPT-realtime-2.0（minimal）46.8；回合接管延遲以 0.40 秒居全場之冠，其他模型則散布在 0.57 到 2.14 秒之間。領先並非全面：Audio MultiChallenge 的 43.4 只在「即時」組別中排第一，GPT-realtime-2.0 的 xhigh 版本以 48.5 站得更高；IFEval 文字項目 89.7，也不及 GPT xhigh 繳出的 95.2；至於 HarmBench，99.0 的拒答率是很明顯的強項。實驗室另外公布一批對手幾近掛零的新基準：CueSpeak 81.7 對 2.9、TimeSpeak 64.7 對 4.3、Charades mIoU 32.4 對 0、RepCount-A 35.4 對 1.3。
社群反應、限制清單與時程
這篇研究在 Hacker News 累積 334 點。人氣最高的示範是「耐心」：使用者講到一半暫停去喝咖啡，模型便安靜等候。留言者 vessenes 指出，模型大小約為 GPT-5.x 系列與 Opus 4.7 的十分之一，放大空間還很充足；swyx 則提醒，公開出來的架構只是冰山的一角，真正的門檻藏在 RL 基礎設施與資料配方裡；也有人批評示範情境過於刻意、延遲仍嫌偏高。實驗室自己點出的限制包括：長時間對話的上下文管理、對連線的依賴、即時的安全對齊、模型規模放大，以及雙模型之間的協作。時程方面，研究預覽將於未來數月開放，更大的模型預計今年稍後登場，針對互動基準的研究補助也會隨之啟動。
開發者如何解讀
實務上有三個影響。首先，語音產品的評估得換一把尺：以回合制運作的 ASR-TTS 管線，其指標根本量不到微回合的行為，FD-bench 這類測法遲早成為業界標準。其次，中間件的價值空間遭到擠壓：由打斷偵測與輪替策略組成的那一層 scaffolding 日後很可能被模型原廠整段收編。最後，來到 2026 年，模型之間的較勁不再只看智力——即時性已經成為一條獨立的競爭軸線，這也呼應了年初對模型競賽持續加速的判斷。