Thinking Machines Labs публикува резултатите от предварителното проучване на нов клас невронни мрежи – модели за взаимодействие (Interaction Models). За разлика от съществуващите системи, при които взаимодействието се симулира от външни модули, тези модели са първоначално проектирани за безпроблемно сътрудничество с хората. ИИ вече не чака потребителят да завърши изречението: той възприема аудио- и видеопотоци непрекъснато, което му позволява да реагира, прекъсва и действа едновременно със събеседника.
Повечето модели работят на етапи: докато човекът говори или пише, възприятието на модела „замръзва“, а по време на генерирането на отговора ИИ спира да възприема нова информация. Thinking Machines има за цел да преодолее тази бариера, като позволи на хората да взаимодействат с ИИ толкова естествено, колкото и помежду си, използвайки незабавна обратна връзка. Водещият модел на компанията, TML-Interaction-Small, е с архитектура Mixture-of-Experts с 276 милиарда параметъра и 12 милиарда активни параметъра на токен.
Той се основава на синхронизирана във времето архитектураmicro-turn architecture. Вместо да обработва целите реплики, моделът разбива взаимодействието на малки 200-милиметрови фрагменти. Това дава възможност на изкуствения интелект не само да слуша и говори едновременно, но и да проследява динамиката на диалога – да разбира кога потребителят се колебае, кога изчаква отговор и кога трябва да бъде учтиво прекъснат. По време на разговора моделът може да търси, да преглежда интернет и да генерира потребителски интерфейс, като вплита резултатите в разговора, когато е необходимо.
Инженерите разделят системата на две нива.
„Моделът за взаимодействие отговаря за незабавните реакции и поддържането на контакт в реално време. Ако дадена задача изисква задълбочено мислене или търсене в интернет, той я делегира на асинхронния „фонов модел“. Този тандем запазва „интелигентността от клас GPT-5“, без да жертва отзивчивостта, като осигурява латентност от едва 0,4 секунди“.
Всичко това е възможно благодарение на обучението на модела от нулата, без да се използват кодиращи устройства на трети страни. Thinking Machines използва метода на „ранно сливане“, при който аудиосигналите и видеоклиповете се подават директно в трансформъра. По този начин се елиминират забавянията, характерни за системите, които първо преобразуват гласа в текст и след това генерират отговор чрез синтезатор на реч.
Възможностите на TML-Interaction-Small бяха валидирани на вътрешни еталони на TimeSpeak и CueSpeak. Моделът е способен да изпълнява задачи, които не са достъпни за настоящите търговски API. Например напомняне на дихателни упражнения на всеки четири секунди или коригиране на произношението в реално време.
Освен това изкуственият интелект би започнал самостоятелно разговор при забелязване на промени в кадъра, като например броене на лицеви опори без гласови команди.
Въпросът за безопасността в интерактивен режим е изисквал специални решения. Екипът се е фокусирал върху „разговорните откази“, така че ИИ да може твърдо, но естествено да отхвърля неприемливи искания точно по средата на прекия диалог. Това е направено с помощта на синтезирани данни, които имитират различни сценарии на диалог. В резултат на това моделът остава устойчив на манипулации дори в условията на дълги сесии.
Разработчиците признават ограниченията: за стабилната работа на видеопотока е необходима голяма пропускателна способност на мрежата. Thinking Machines ще пусне ограничена изследователска версия на API през следващите месеци, а пълното пускане на по-мощни модели е планирано за края на 2026 г.