由 OpenAI 前首席技术官 Mira Murati 等人创立的 Thinking Machines Lab 近日发布了一项重要研究预览——交互模型（Interaction Models）。该模型旨在突破传统"一轮一问"的 AI 交互范式，让人与 AI 的协作方式更接近人与人之间自然的实时对话。

当前主流的大语言模型采用的是轮次制（turn-based）交互架构：用户说完，模型等待，然后生成回复。这种模式下，"在用户完成输入之前，模型对用户正在做什么、怎么做一无所知；在模型生成完成之前，它的感知也处于冻结状态。" Thinking Machines Lab 认为，这形成了一条狭窄的通道，限制了人类知识和意图向模型传递的带宽。

交互模型的核心理念是将交互能力内嵌到模型本身，而非依赖外部脚手架。它使用 200 毫秒的微轮次（micro-turns）持续交错处理输入和生成输出，使输入和输出 token 都被视为流式数据。这一设计带来了多项原生能力：无缝对话管理（追踪发言者是在思考、让渡还是邀请回应）、基于语境的口头和视觉插话、实时翻译中的同步语音、直接的时间感知，以及在说话和倾听的同时并行调用工具、搜索和生成 UI。

架构上，系统由两个组件协同工作：一个实时交互模型持续与用户保持交流，一个异步后台模型处理需要更深层次推理的任务。当遇到无法即时完成的复杂问题时，交互模型会将任务委托给后台模型，并在结果返回时无缝整合。

在基准测试方面，TML-Interaction-Small 模型在 FD-bench v1.5 交互性评测中平均质量得分达到 77.8，远超竞争对手的 46.8-54.3；轮次切换延迟仅为 0.40 秒，而其他模型在 0.57-2.14 秒之间。在 Audio MultiChallenge 智能基准测试中，该模型以 43.4% 的准确率超过了非思考型模型。

值得一提的是，在一些全新设计的评测任务中，交互模型展现了前所未有的能力：TimeSpeak 任务准确率 64.7%（对比 GPT-realtime-2 的 4.3%）、CueSpeak 81.7%（对比 2.9%）、视觉计数 RepCount-A 35.4%（对比 1.3%）。研究团队表示，"现有模型在这些任务上几乎无法有意义地执行"。

目前该模型采用 2760 亿参数 MoE 架构（激活参数 120 亿），仍处于研究预览阶段，长期会话的上下文管理、实时对齐与安全性等方面仍在持续完善中。

参考来源：https://thinkingmachines.ai/blog/interaction-models/