交互模型：TML-Interaction-Small 的优势

就在上周，OpenAI 的 GPT-Realtime-2 以接近 GPT-5 级推理能力和 128K 上下文窗口的表现，为语音 AI 设立了新标杆。如今，Mira Murati 领导的 Thinking Machines Lab 提出了另一种主张：响应性与智能应当从一开始就在同一个模型中共同训练，而不是通过语音活动检测和对话管理等外挂组件拼接而成。

该实验室将这类新模型称为“交互模型”（Interaction Model）。

他们的研究预览版 TML-Interaction-Small，是这一思路的首个成果。它是一个拥有 2760 亿参数的专家混合（Mixture-of-Experts）模型，激活参数为 120 亿。它以连续的 200 毫秒微回合（micro-turn）处理音频、视频与文本，这意味着它能一边感知一边回应，而不是等说话者结束后再响应。 

本文将介绍 TML-Interaction-Small 是什么，梳理其关键架构特性，并将其与 GPT-Realtime-2 进行直接对比，同时详细解读其基准测试结果。

什么是交互模型？

Thinking Machines Lab 将交互模型描述为一种将交互性融入模型本体，而非通过外围框架实现的系统。其核心原则是：响应性与智能应当在连续的音视频流数据上共同从零训练，而不是事后拼接到一个以文本为中心的模型上。

目前多数实时语音 AI 系统往往拼接语音活动检测组件、独立编码器与对话管理层来模拟“响应性”。Thinking Machines Lab 认为，这种做法因人为的轮次边界限制了非交互模型的能力，必然落后于原生处理交互的模型。

该实验室的交互模型不再顺序地先消费用户输入、再生成完整回应，而是更贴近人类感知：它将输入与输出的 token 都视为数据流，并在每个 200 毫秒的微回合中交错处理这两种流。

因此，交互模型能一边感知一边回应，输入与输出并行处理，而无需等待说话者结束。这带来了一些很实用的能力：

• 边听边说
• 无需提示即可对视觉线索作出反应
• 直接跟踪时间流逝

这些都是带有外部框架的轮次制模型无法复刻的，无论其推理能力多强。

TML-Interaction-Small 是什么？

TML-Interaction-Small 是 Thinking Machines Lab 的首次公开模型发布，也是其交互模型架构的首个实现。

它是一个 2760 亿参数的 专家混合（Mixture-of-Experts） 模型，激活参数为 120 亿，从零开始在连续的音视频流上训练，采用前文所述的多流微回合设计，将输入与输出按 200 毫秒片段进行处理。

两个共享上下文的模型组合同时提供响应性与智能。用户可实时收到交互模型的回答，而规划、工具调用与更深入的推理则交给异步运行的后台模型。

交互模型会在后台结果就绪时将其自然地融入对话，而无需“掉线”。

TML-Interaction-Small 的功能

与现有语音 AI 模型“轮流说话”（您说完它再回应）不同，TML-Interaction-Small 更像一位人类对话伙伴。以下四项能力使其与众不同。

同时说与听

TML-Interaction-Small 能在用户仍在讲话时就合成输出语音。这使同声传译成为可能：您用一种语言说话，模型会在您尚未说完句子时就开始翻译。这也意味着模型能在半句时纠错插话，或在您解释过程中给出口头提示（如“明白了”“请继续”）。

当出现特定触发事件时，这也有助于定制实时回应。例如，发布说明中的一段视频展示了模型如何在用户提到付款时，将欧元金额换算为美元并口头告知。

无需提示即可“看见并回应”视频

TML-Interaction-Small 会与音频一同处理视频，并能据所见内容主动发声，无需任何语音提示。

如果您在镜头前做俯卧撑，它能实时出声计数；若视频流中出现相关物体，它能在其刚变得可见时立即提示。不过，这项能力仍有提升空间，从内部的 RepCount-A 分数可见，只有约三分之一（33.4%）的样本与真值相差不超过一次计数。

发布片段中有一段（在我看来有点古怪）演示了这一点：在被要求关注用户坐姿时，模型立刻检测到她在笔记本前弯腰驼背，并提醒她纠正姿势。

现有商用的实时 API 多为纯音频，只能对口语轮次做出回应，无法主动对视觉变化作出反应。这一能力目前在 GPT-Realtime-2 或 Gemini Live 中并不存在。

自然处理打断与自我纠正

如果您开口后改变想法并在中途修正，TML-Interaction-Small 能追踪到这次修正，并对您的真实意图做出回应。它还能处理“随声附和”（如它在说话时，您说“嗯”“对”），并区分用户是在对它说话，还是在与房间里的其他人交谈。

这些场景常使轮次制模型出错：要么在不该停时停下，要么回应了说话内容的错误部分。值得关注的是，TML-Interaction-Small 在日常环境中能否像在精心制作的演示视频里那样稳定。

在保持“在线”的同时后台运行复杂任务

后台模型让交互模型不仅快，而且更聪明。您可以在后台任务运行时持续追问或切换话题。当结果就绪时，模型会在自然的时机将其编织回对话中，而不是生硬地打断切换上下文。

这意味着您既能获得快速的对话式响应，又能处理通常需要模型“静默”数秒的多步骤任务。在一段问答演示中，这种方式效果不错：三位用户以很快的节奏连环发问，模型大体能跟上速度。

TML-Interaction-Small 基准测试

Thinking Machines 报告了两大类结果：衡量交互性的流式基准，以及衡量智能的轮次制基准。该模型在流式端的表现最强，这也是其架构选择最直接受到检验的方面。

交互性

FD-bench v1.5 使用预先录制的音频，衡量模型在四种场景下的表现：

• 用户打断
• 用户随声附和
• 与他人交谈
• 背景语音

TML-Interaction-Small 得分为 77.8；对比之下，Gemini-3.1-flash-live-preview 在最低设置下得分 54.3，GPT-Realtime-2.0 在最低设置下为 46.8，即便在最高推理设置（xhigh）下也仅为 47.8。

这是最直接衡量 Thinking Machines 目标的基准。在这一最相关的测试上领先最近竞品 30 分，并非细微差距。问题在于 FD-bench v1.5 是否覆盖了实践中重要的交互性全谱，这一点 Thinking Machines 自身也承认仍是一个开放研究问题。

轮次切换时延

在 FD-bench v1 中，TML-Interaction-Small 实现了 0.40 秒的轮次切换时延，为所有对比模型中最快。Gemini-3.1-flash-live-preview 以 0.57 秒紧随其后。GPT-Realtime-2.0 即便在最低设置下也需要约三倍时间（1.18 秒）；在 xhigh 推理设置下为 1.63 秒。

时延在语音交互中远比文本重要。用户说完到模型开始回应若相隔 1.2 秒，不仅可感知，而且会打断节奏。0.40 秒的结果让 TML-Interaction-Small 更接近人类对话的响应时间。

智能与指令遵循

Audio MultiChallenge 衡量音频中的智能与指令遵循。TML-Interaction-Small 得分 43.4%，高于 GPT-Realtime-1.5（34.7%）与 Gemini-3.1-flash-live-preview（26.8%），但低于 GPT-Realtime-2.0 在 xhigh 设置下的 48.5%。这里能看到智能与交互性的权衡。

TML-Interaction-Small 与 GPT-Realtime-2.0（xhigh）之间相差 5.1 个百分点。这个差距不小，但也不算巨大，而且 GPT-Realtime-2.0 为此付出了明显的时延代价（1.63 秒对 0.40 秒）。权衡是否值得取决于应用场景。

响应质量与工具使用

FD-bench v3 在“音频 + 工具”的场景中衡量响应质量与工具调用准确率。启用后台代理时，TML-Interaction-Small 的响应质量为 82.8%，工具调用 pass@1 为 68.0%；相比之下，GPT-Realtime-2.0 在最低设置下为 80.0% / 52.0%，在 xhigh 下为 81.0% / 58.0%。

这里最有意义的是 pass@1（68.0% 对 58.0%），它衡量模型是否真正正确完成依赖工具的任务。看起来，将工具调用与用户交互分离的双模型架构确实见效。

新的交互性基准：TimeSpeak、CueSpeak 与视觉主动性

Thinking Machines 自建了两个内部基准，并改编了三个较少使用的基准，直接衡量交互能力。这些值得仔细审视，因为目前没有竞争模型能在这些测试上取得有意义的成绩。

• TimeSpeak（定时发声启动）：TML-Interaction-Small 的宏平均准确率为 64.7%。
• CueSpeak（口头提示触发发声）：宏平均准确率为 81.7%。
• RepCount-A（视觉动作计数）：一次之内误差准确率为 33.4%。
• ProactiveVideoQA（视觉提示触发发声）：PAUC 为 31.5（不回应基线 = 25.0%）。
• Charades 时间定位（视觉动作时序）：mIoU 为 30.4。

在上述多数新基准上，GPT Realtime-2.0 几乎完全失效，结果接近零，甚至在 Charades 基准（要求模型在视频中恰当时刻说出“开始”“停止”）上为零。

这些结果的实际意义仍难下定论，因为这些基准较新，尚未得到独立验证，但它们与架构差异及其他对比基准的整体图景一致。

TML-Interaction-Small 的定价与可用性

TML-Interaction-Small 目前处于限量研究预览阶段，尚未公布定价。Thinking Machines 计划在 2026 年晚些时候扩大开放。感兴趣的研究者与开发者可通过 interaction@thinkingmachines.ai 联系团队申请试用。

作为对比，GPT-Realtime-2 的定价为每百万音频输入 token 32 美元、每百万音频输出 token 64 美元，详情见我们的 GPT-Realtime-2 概览。TML-Interaction-Small 的定价预计会在更广泛发布时一并公布。

您或许已经注意到，模型名称带有“-Small”后缀，没错，Thinking Machines 预计还会推出更大的模型。目前这些更大模型仍然过慢，不适合服务化，但计划在 2026 年底发布。

TML-Interaction-Small 与 GPT-Realtime-2 对比

两者之间更有意思的差距体现在交互性基准上。在衡量用户打断、随声附和、与他人交谈、背景语音等行为的 FD-bench v1.5 上，TML-Interaction-Small 得分 77.8。GPT-Realtime-2.0 在最低设置下为 46.8，在最高推理设置（xhigh）下为 47.8。这是在最能直接衡量 Thinking Machines 优化目标的基准上拉开了 30 分差距。

智能方面确实存在权衡，但差距远小于交互性差距。GPT-Realtime-2.0（xhigh）在 Audio MultiChallenge 上得分 48.5%，而 TML-Interaction-Small 为 43.4%。在 BigBench Audio 上，GPT-Realtime-2.0（high）为 96.6%，TML-Interaction-Small 为 75.7%（但在启用后台代理后可达 96.5%）。

整体而言，TML-Interaction-Small 在响应与交互性上领先，而 GPT-Realtime-2.0 在高推理设置下在纯智能基准上占优。

* 启用后台代理。

想要了解 OpenAI 音频模型家族的实操效果，可查看我们的 GPT-Realtime-2 API 教程。

结语

TML-Interaction-Small 颇具前景。若其能兑现发布说明中的承诺，这一新模型在保持短时延的同时显著提升交互性，而不牺牲响应质量或推理能力。能同时“说”“听”，并对视觉线索做出反应，这在目前仍属独有，带来大量新可能。我也很关心其公开发布时的定价。

与 GPT-Realtime-2 的智能差距确实存在，但比起交互差距要窄。在需要更自然对话体验的应用中，时延差异往往比智能差异更重要；而在以高难度推理准确性为优先的应用中，GPT-Realtime-2.0 在高推理设置下仍然领先。

如果您想快速了解更广泛的 AI 模型版图及其高效使用方式，建议从我们的 AI Fundamentals 技能路径开始。