Thinking Machines apresenta "modelos interativos" multimodais em tempo real
Startup de Mira Murati revela classe de modelo de 276bi parâmetros que ouve, vê e responde em micro-turnos de 200ms, com latência de 0,40s.
Pontos principais
- Thinking Machines, fundada pela ex-CTO da OpenAI Mira Murati, anunciou "modelos interativos" em pesquisa preview
- Arquitetura nativamente multimodal processa áudio, vídeo e texto em micro-turnos contínuos de 200 milissegundos
- Modelo principal TML-Interaction-Small tem 276 bilhões de parâmetros (12 bilhões ativos) em Mixture-of-Experts
- Latência de 0,40 segundo, contra 0,57s do Gemini 3.1 Flash Live e 1,18s do GPT Realtime 2.0
- Demos mostraram o modelo traduzindo fala em tempo real, notando um usuário se curvando e identificando animais mencionados numa história
A Thinking Machines Lab, criada por Mira Murati após sua saída da OpenAI, abriu uma pesquisa preview de uma nova classe de modelos batizada de "interaction models" — sistemas que lidam com interação nativamente, sem o andaime externo usado por modelos de turno único. Em vez de alternar entre falar e ouvir, o modelo processa áudio, vídeo e texto em micro-turnos contínuos de 200 milissegundos.
O sistema principal, TML-Interaction-Small, é um Mixture-of-Experts de 276 bilhões de parâmetros com 12 bilhões ativos, acoplado a um módulo separado para raciocínio mais lento. No benchmark FD-bench, atinge latência de 0,40 segundo no turn-taking, contra 0,57s do Gemini-3.1-flash-live e 1,18s do GPT-realtime-2.0. Uma preview limitada será aberta nos próximos meses, com lançamento mais amplo previsto para este ano.
Comentários
Carregando comentários...