科幻电影《Her》中，操作系统萨曼莎展现的“无等待交互”曾让观众惊叹：它能预判用户意图、感知情绪波动，甚至在对话中主动调整节奏。十三年后，这种理想化的人机协作模式正从银幕走向现实——由OpenAI前CTO米拉·穆拉蒂创立的Thinking Machines Lab，近日发布了一项突破性交互模型，其核心设计理念与萨曼莎的“持续在场”特性高度契合。
该实验室在《交互模型：人机协作的可扩展方案》技术博客中强调，当前主流AI系统普遍存在“人类参与断层”问题。METR 2025年研究报告显示，多数企业将“模型自主完成任务”作为首要目标，导致交互界面设计忽视人类实时介入需求。语言学家克拉克1991年的研究指出，高效沟通依赖共在性、同时性和并发性，而现有“回合制”对话模式无法满足高频信息交换需求。这就像用电子邮件处理紧急分歧，而非面对面沟通——模型输出时无法感知用户反应，输入时又无法处理视觉或听觉环境变化。
市场现有解决方案存在明显局限。多数商业系统通过外挂语音活动检测（VAD）组件实现“伪实时”，但模型无法主动打断对话或响应屏幕错误；少数原生全双工系统虽能降低延迟，却因模型规模限制牺牲了综合智能水平。Thinking Machines团队认为，交互能力必须成为模型原生架构的一部分，而非后期添加的组件。他们借鉴Seeduplex、Qwen-omni等项目的经验，构建了由前台交互模型与后台推理模型协同工作的系统。
该系统的创新之处在于“微轮次机制”：以200毫秒为处理单元，交替解析输入输出信号，将用户沉默、抢话等行为均视为有效信息。这种设计使模型能隐式追踪用户意图，无需独立对话管理模块即可实现同步说话、中途插话，甚至在边听边看时调用工具或生成界面。在模态处理上，团队摒弃了独立大型编码器，通过轻量化处理使音视频数据直接参与Transformer主体训练。为确保低延迟，他们优化了底层算力分配与通信协议，避免内存反复重分配导致的卡顿。
面对复杂任务时，前台模型会将完整上下文传递给后台进行深度推理，再将结果流式返回并自然融入对话。安全机制方面，模型接受了拒绝对话的拟真训练与防越狱测试，在Harmbench基准测试中保持99.0%的安全拒绝率。测试数据显示，其120亿参数的TML-Interaction-Small模型在打断响应测试中获77.8分，远超GPT Realtime-2.0的46.8分；在深度推理测试中，其响应质量与通过率（82.8/68.0）亦优于竞品高延迟版本。在音视频问答、指令遵循等综合测试中，该模型同样展现出速度与智能的平衡优势。
为更精准评估原生交互能力，实验室自建了多项评测标准。在主动发言测试TimeSpeak中，TML得分64.7；同步纠错测试CueSpeak中获81.7分；持续视觉追踪测试RepCount-A达35.4分。相比之下，主流模型在这些场景下几乎全部失分。研究员尼尔·吴表示，项目初衷是让AI协作更接近人类对话：“如果交互不再局限于聊天框，而是像与真人交谈般自然，会带来怎样的变革？”CTO苏米特·钦塔拉将技术路线分为三步：提升信息带宽、突破智能上限、确保人类核心地位。
在多数AI研发聚焦模型自主性的当下，Thinking Machines选择了逆向路径：通过优化人类介入流程，使沟通本身成为协作基础设施。团队成员翁荔在开发日志中提到，137页记录与12个版本迭代证明，人类协作模式对改善人机协作至关重要。这种设计哲学暗示，要创造真正理解人类沟通节奏的AI，研究者需先深刻理解人类互动的本质。当AI逐渐具备“持续在场”能力时，其带来的不仅是技术革新，更是对人类认知与依赖关系的重塑——这种转变的深层影响，或许比技术本身更值得关注。
