Thinking Machines

Thinking Machines发布TML-Interaction-Small 276B-A12B模型，采用2760亿参数MoE架构与120亿活跃参数，实现<200ms端到端延迟，显著超越GPT-4o和Gemini 3.1-Flash，在实时语音交互、时间对齐微回合与视觉主动性任务上达到SOTA，彻底淘汰传统VAD机制。

交互模型通过原生支持多模态实时交互，突破传统单线程对话瓶颈，显著提升人机协同效率。

Inkling模型现已在AI Gateway上提供，支持多任务处理，AI Gateway提供统一API和性能优化。

本期播客重点介绍了OpenAI的实时语音API、Thinking Machines的交互模型架构、Anthropic的法律产品及市场动态，揭示了AI技术在实时交互、垂直应用及安全合规方面的最新进展。

Thinking Machines 的最新发布方式令人印象深刻，他们通过平台原生内容进行展示，这种方式比传统的发布方式更有效。

当前仍处早期阶段，但多模态交互AI模型的自然度正快速提升，实时低延迟特性已开启未来难以想象的应用场景，技术演进将重塑人机协作方式。

Thinking Machines推出原生多模态交互模型，实现200ms级实时人机协作，突破传统Agent框架限制，所有模态集成于单一模型架构。该模型支持用户随时打断交互，通过前台交互模型与后台推理模型协同工作，显著提升对话自然度。

Thinking Machines推出开源模型Inkling，基于NVIDIA硬件训练，支持多模态推理。

AI领域人才流动频繁，多位关键人物在不同机构间转移，影响技术发展。

文章讨论了实时多模态交互模型的进展，强调其接近真实人类互动的能力。

Lilian Weng 呼吁加强人机交互研究，并提及 Thinking Machines 提供 10 万美元补助支持该领域研究，但文章本身无技术深度，仅为宣传推广。

人类协作对提升人机协作效果具有关键作用，这一经验来自构建137页训练日志的实践过程。