Mira Murati 的 Thinking Machines 推出互動模型：AI 第一次能同時聽、說、看、思考
Thinking Machines Lab（Mira Murati 創辦）發布 Interaction Models，一個 276B MoE 模型（12B active），用 200ms micro-turns 實現全雙工音訊/視訊/文字互動。不再是輪流發言，而是 AI 和人同時在聆聽、說話、觀看。限量研究預覽已開放，wider release 規劃在 2026 下半年。
目錄+
現在的 AI 對話是這樣的：你說，它回；它說，你聽。輪流發言，一次一個。
這個設計不是因為最好，是因為技術限制。
2026-05-11，Thinking Machines Lab 展示了一個不同的方向。
什麼是 Interaction Models
Thinking Machines Lab 的 technical blog 用一句話說清楚了核心概念：
「人類同時說話、聆聽、觀看、思考、協作。我們設計了一個 AI，以同樣的方式與人合作。」
技術上，這叫 full-duplex multimodal system（全雙工多模態系統）。具體是：
- 200ms micro-turns：每 200ms 一個處理單元，而不是等你講完才開始思考
- 連續音訊 + 視訊流：可以同時處理語音輸入和視覺輸入，不是輪流
- 可以打斷、被打斷：像真實對話一樣，AI 可以在你還在說話時反應
根據 marktechpost.com 的報導，模型規格是：
TML-Interaction-Small：276B 參數 MoE，12B active 參數
和現有模型的差距
在幾個新 benchmark 的結果（根據 Thinking Machines 官方 blog 和 marktechpost.com 報導）：
- TimeSpeak：64.7（TML-Interaction-Small）vs. 其他受測模型接近 0
- CueSpeak：81.7 vs. 接近 0
- RepCount-A：35.4 vs. 接近 0
- Charades mIoU：32.4 vs. 接近 0
對比基準包括 GPT-realtime-2.0。這些 benchmark 專門測「時間感知」和「線索感知」——就是那種需要在對話進行中實時反應的能力，不是等回答完才評分。
Harmbench refusal rate：99.0%（官方公布）
現在能用嗎
目前是限量研究預覽，wider release 規劃在 2026 下半年。
有興趣的可以發信到 [email protected] 表達興趣。官方在 blog 裡說他們在積極收集回饋。
幾個已知限制：
- 連續的音訊和視訊 context 累積很快，超長 session 需要管理 context
- 串流需要穩定網路（200ms chunk 設計，差的網路會明顯影響體驗）
- 現有的大模型目前推論太慢，不能 real-time 部署——更大版本在規劃中
Thinking Machines 的背景值得了解一下
VentureBeat 的報導補了一個背景：Thinking Machines Lab 由前 OpenAI CTO Mira Murati 創辦。
2026 年 4 月，Business Insider 報導 Meta 挖走了 Thinking Machines 的七名創始成員（包括 Mark Jen 和 Yinghai Lu），以及多名研究員轉往 Meta Superintelligence Labs。
但同時，Thinking Machines 也雇到了 PyTorch 創辦人 Soumith Chintala 擔任 CTO，以及前 Meta 八年的多模態感知系統工程師 Weiyao Wang。
人才流向是雙向的。Interaction Models 的發布，是 Thinking Machines 在這個紛擾背景下給出的第一個實質技術答案。
為什麼 200ms 是關鍵
現在的 AI 語音對話有一個明顯的「感覺不對」：你說完，等一下，它回；它回的時候你不能插話，等它說完再換你。
這個 turn-taking 設計讓對話變得機械。現實中的對話，人類一直在同時接收和發送資訊——你在聽別人說話的時候，臉部表情、點頭、小聲的「嗯嗯」都在給對方回饋。
200ms micro-turns 讓 AI 能在每 200ms 更新一次對對話的理解，而不是等到你說完才開始處理。這個差距感覺起來，就是「像在和人說話」和「像在填問卷」的差距。
AI 協作的瓶頸不再是算力或智力，而是互動頻寬。 Thinking Machines 的賭注是：解決這個，模型會在更大規模的訓練中同時變得更智能也更好協作。