5月12日消息，前OpenAI CTO Mira Murati创办的Thinking Machines Lab于5月11日发布首款交互模型Interaction Models研究预览版,这是一类原生多模态系统,将交互性作为模型架构的一等公民,而非外部软件封装的功能。该模型采用多流、微回合架构,可同时处理音频、视频与文本输入,实现0.40秒的轮次切换延迟——这一数字接近人类自然对话速度,而2026年市面标准API的语音处理延迟通常在1至2秒之间。这是Thinking Machines继2025年10月微调产品Tinker之后的第二款产品,也是其在120亿美元估值后首次触及前沿模型方向的对外动作。
技术架构:为什么不再是轮次对话
当前主流AI模型运行在turn-based模式下,只有在用户输入完成后才开始生成响应,这意味着模型无法在输出过程中接收新信息,用户也很难在对话流中实时纠正方向。Thinking Machines将这一机制定义为现有模型与人类交互的核心障碍,认为它把交互降级成了"上传—等待—接收"的离线流程。
Interaction Models的解决方案是把交互能力放到模型架构的核心,而不是在大模型外面套一层语音转写、轮次管理、TTS合成的工程封装。多流、micro-turn机制让模型在同一时刻完成三件事:听用户说话、看用户的视频画面、生成响应。在第三方基准测试上,Thinking Machines报告了显著的延迟下降和交互质量提升,具体的0.40秒turn-taking延迟接近人类母语者之间的对话节奏(约250至400毫秒)。
时间感知是另一个差异点。标准大语言模型缺乏内部时钟,只有在文本提示中明确告知时间信息时才"知道"时间。Interaction Models原生具备时间感知,可以处理"每4分钟提醒我检查一次温度"或"如果这个过程比上次更长就提醒我"这类时间相关的任务,而无需外部调度器介入。模型还支持backchannel——在用户说话过程中给出"嗯""我知道"这类回应,而不打断用户。这在客服、教学、医疗问诊等高频对话场景里是基础能力,但目前的主流API需要靠工程层模拟实现。
与GPT-4o Realtime和Gemini Live的对位
实时多模态交互不是Thinking Machines独占的赛道。OpenAI的GPT-4o Realtime API、Google的Gemini Live、ElevenLabs的Conversational AI都在抢同一块市场,核心战场是低延迟、自然轮次切换、稳定的语音质量。
Thinking Machines的差异化路径在于把交互能力做进基础模型,而非API层的优化。GPT-4o Realtime和Gemini Live目前的产品形态仍可视为"标准多模态模型 + 实时交互工程层"的组合,延迟在500毫秒至1秒之间;Interaction Models声称做到0.40秒,且原生支持多流并行处理。这种差异在企业语音客服、实时翻译、低延迟教学场景中具有直接的体感价值——用户不再感受到那种典型的"AI在思考"的间隙。
但Thinking Machines目前没有把这款模型开放给公众或企业。官方公告说明,未来几个月将开放限量研究预览以收集反馈,更广泛的发布将在2026年晚些时候。这意味着即使技术指标领先,产品级的可用性、稳定性、价格策略都还没有进入公开比较的范围。GPT-4o Realtime已经GA,Gemini Live已经在Gemini App和Pixel设备上大规模部署,Thinking Machines在商业化时间表上落后至少一个季度。
从Tinker到Interaction Models:120亿到500亿估值路径
Thinking Machines于2025年2月成立,创始团队来自OpenAI、Meta AI、Mistral等头部实验室。2025年7月由a16z领投完成20亿美元种子轮,估值120亿美元——这是当时历史上最大规模的种子轮。投资方包括Nvidia、AMD、Cisco、Jane Street等。2025年11月有报道称公司寻求额外50亿美元融资,目标估值500亿美元。
公司产品序列目前是两款:2025年10月发布的Tinker,定位为模型微调API,使用LoRA等技术降低开发者微调开源模型的成本;2026年5月发布的Interaction Models,定位为前沿多模态交互模型。两款产品共同指向一个产品哲学——把AI的可控性、可塑性、交互性放在能力扩张之前。
算力层面,Thinking Machines在2026年3月与Nvidia达成多年合作,部署至少1GW的Vera Rubin系统,Nvidia同时进行了未披露规模的战略投资;2026年4月扩展与Google Cloud的合作,使用AI Hypercomputer基础设施和Nvidia GB300系统支持模型研究、强化学习和前沿模型训练。1GW的算力承诺是只有头部实验室才能触及的门槛。
人才战是Thinking Machines的另一条战线。2025年8月,Meta CEO Mark Zuckerberg接触Murati讨论收购被拒后,Meta开始挖角Thinking Machines的约50名员工。到2026年4月,Meta已从Thinking Machines挖走7名创始团队成员,包括Mark Jen、Yinghai Lu以及Tinker主力工程师Joshua Gross。共同创始人Barret Zoph和Luke Metz于2026年1月回归OpenAI。
Thinking Machines的反向操作是从Meta挖来PyTorch创造者Soumith Chintala担任CTO,公司规模从一年前的30人扩张到目前的约120人。
局限:研究预览未开放,商业化时间表存疑
Interaction Models的核心问题是可用性。模型尚未对公众或企业开放,具体的基准测试细节、模型参数规模、定价策略均未披露。0.40秒的延迟数字在工程实现的复杂场景下能否稳定保持,目前没有第三方复现。OpenAI、Google和Anthropic在实时交互方向上拥有更成熟的产品矩阵和企业渠道,Thinking Machines需要在2026年下半年的更广泛发布中给出可比较的产品形态,而不仅仅是研究展示。
另一个变量是Murati的董事会控制权结构——她拥有董事会的决定性投票权,创始股东的投票权是普通股东的100倍。这种结构在确保战略连续性的同时,也意味着Thinking Machines的产品节奏将完全由Murati的判断决定,这把双刃剑会在商业化阶段更明显地暴露出来。
AI 速览
