---
author: Best Partners TV
date: '2026-05-13'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=PTN9oPdLtUA
speaker: Best Partners TV
tags:
  - interaction-models
  - human-computer-collaboration
  - real-time-ai
  - dual-model-architecture
  - low-latency-inference
title: 重构人机协作：Thinking Machines Lab 发布原生交互模型 Interaction Models
summary: 由前 OpenAI CTO Mira Murati 创立的 Thinking Machines Lab 发布最新成果 Interaction Models。该研究指出当前 AI 协作停留在低带宽的“轮询模式”，提出通过时间对齐的微轮询设计与双模型协同架构，将交互转化为模型的原生基因。模型实现了无缝对话管理、主动插话及同步工具调用，在响应延迟与交互质量上显著超越 GPT-4o 等竞品，标志着人机协作从“任务分配”转向“实时共创”。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people:
  - Mira Murati
companies_orgs:
  - Thinking Machines Lab
  - OpenAI
products_models:
  - TML-Interaction-Small
  - GPT-realtime-2.0
  - Gemini-3.1-flash-live
media_books:
  - Grounding in Communication
  - Orality and Literacy
  - The use of knowledge in society
  - Seeing like a State
status: evergreen
---
### 语义带宽：重构协作的底层逻辑

2026年5月11日，由前 OpenAI 首席技术官 **Mira Murati**（米拉·穆拉蒂）创立的 **Thinking Machines Lab** 发布了其最新研究成果：**交互模型**（Interaction Models）。这项研究试图重构人机协作的底层逻辑，将交互从模型的一项“附加功能”转变为其“原生基因”。目前大模型虽然智能极强，但在协作方式上仍处于极其笨拙的阶段，人类习惯于“发邮件式”的轮询交互——即必须等用户输入完成、模型思考、生成输出后，才能进行下一轮沟通。这种模式缺乏即时反馈、无法打断，更没有像人与人面对面那样边说边听、边看边回应的自然感。

Thinking Machines Lab 指出，全球顶尖 AI 实验室正陷入一个认知误区：将 AI **自主完成长时任务**的能力作为核心评价标准，这导致主流大模型完全没有为人类持续的 **In-the-loop**（人在回路：人类参与决策与调整的闭环过程）做优化。在真实场景中，没有人能一次性说清所有需求，优质成果需要人类全程参与、不断澄清与反馈。然而，现有的交互界面并没有给人类留下参与的空间，导致模型的响应在同步协作中显得极其迟缓。

### 沟通基础：从单线程轮询到实时共存

为了解决这一问题，研究团队引用了克拉克（Clark）和布伦南（Brennan）在1991年《**沟通基础**》（Grounding in Communication: 关于沟通如何建立共识的经典理论）中提出的三大核心要素：**共存性**（双方互动同一对象）、**即时性**（信息产生即被接收）和**同步性**（双方同时输入输出）。此外，瓦尔特·J·翁诗杰（W.J. Ong）在《口语和书面语》中也提到，口头交流的魅力在于其参与性。

当前的通用大模型完全背离了这一逻辑。它们采用单线程感知，在用户输入时模型处于冻结等待状态，而模型生成时则对外部新信息视而不见。这种设计阻断了哈耶克（F.A. Hayek）所说的基于特定时点的“**隐性知识**”以及斯科特（James Campbell Scott）提到的依赖直觉的“**实践智慧**”（Metis: 基于经验和随机推理的智慧）。为了打破协作带宽瓶颈，AI 必须适配人类的协作习惯，实现在所有模态下的实时交互，而非强迫人类去适配 AI 的轮询规则。

### 原生进化：摆脱“外部脚手架”的束缚

目前市面上的实时语音 AI 多是靠外部组件“拼接”出来的，例如使用 **语音活动检测**（VAD: Voice Activity Detection）判断停顿，或用多模块组合模拟打断。Thinking Machines Lab 引用萨顿（Sutton）在《**苦涩的教训**》（The Bitter Lesson: 指出利用算力的通用方法最终会战胜人工设计的规则）中的观点，认为手工定制的系统终将被通用能力超越。因此，交互必须成为模型本身的一部分。

**交互模型**解锁了五大原生核心能力：
1. **无缝对话管理**：模型能隐性感知说话人是在思考、自我纠正还是邀请回应，无需人工设定轮询边界。
2. **主动插话**：模型能根据视觉和语音上下文随时介入，例如实时纠正用户的口误。
3. **全双工同步交互**：支持双方同时说话，典型场景如实时同声传译。
4. **原生时间感知**：模型自带时间流逝感知，无需外部计时器即可执行“每4秒提醒我呼吸”等指令。
5. **并发工具调用与生成式 UI**：模型在对话的同时，可并发执行搜索、调用工具并实时更新 UI 界面，无需中断沟通。

### 微轮询架构：时间对齐的技术突破

在技术实现上，交互模型彻底颠覆了传统“Token 序列”的线性逻辑。它采用了**时间对齐的微轮询设计**（Time-aligned Micro-polling），以真实时间为基准，将连续的流拆分为无数个 **200毫秒** 的微单元。在每个单元内，模型同时处理输入并生成输出，使沉默、语音重叠和打断都成为上下文的一部分。

为了平衡响应速度与深度推理，系统采用了**双模型协同架构**：
* **实时交互模型**（Front-end）：负责持续双向交互，处理即时响应与上下文承接。
* **异步后台模型**（Back-end）：负责深度推理、长时规划与复杂工具调用。
当交互模型遇到复杂任务时，会将上下文打包给后台模型，后者处理完后流式返回，由交互模型在合适时机自然融入对话。这种架构让用户同时拥有“快速反应”与“深度思考”能力，且交互模型本身的智能水平在行业内也极具竞争力。

### 极简融合与推理优化：性能的极限压榨

为了降低延迟，研究团队开发了**无编码器的早期融合**（Early Fusion）技术。不同于传统多模态模型分离的音频/视频编码器，交互模型通过轻量嵌入层和 **hMLP** 编码将特征直接输入 Transformer，大幅提升了信息融合效率。针对 200ms 微轮询带来的高频小批量预填充挑战，团队实现了**流式会话机制**，并将该功能贡献给了开源项目 **SGLang**。同时，他们在 **混合专家模型**（MoE）中优化了计算内核，并实现了比特级的训练器与采样器对齐，确保系统极度稳定。

在安全防御上，团队从**模态适配的拒绝响应**和**长时健壮性**两个维度发力，通过自动化红队测试，保证了语音与文本交互在违规场景下拒绝行为的高度一致性。

### 性能领跑：TML-Interaction-Small 实力霸榜

在基准测试中，**TML-Interaction-Small**（2760亿参数 MoE，激活参数120亿）展现了统治级的性能：
* **响应延迟**：轮询延迟仅为 **0.40秒**，远低于 GPT-realtime-2.0 的 1.18秒和 Gemini-3.1-flash-live 的 0.57秒。
* **交互质量**：在 FD-bench v1.5 流式基准中获得 77.8分，大幅领先竞品。
* **时间与视觉感知**：在 **TimeSpeak**（定时发起语音）和 **ProactiveVideoQA**（主动视觉回答）等新维度基准上，现有商业 API 几乎无法得分，而交互模型能有效完成任务。

尽管在长会话上下文管理、网络依赖性以及大规模模型部署上仍存挑战，Thinking Machines Lab 已计划在 2026 年内发布更大规模的模型。该研究预览版将在未来几个月限时开放，并于 2026 年下半年全面发布，预示着 AI 将从一个“被动执行工具”进化为真正的“实时协作伙伴”。