Thinking Machines Lab lanza su primer modelo con interacción en tiempo real de 200 ms

Thinking Machines Lab, la startup de IA fundada por la ex directora de tecnología de OpenAI Mira Murati, lanzó una vista previa de investigación de su primer modelo interno el 11 de mayo de 2026, poniendo fin a más de un año de silencio sobre lo que el laboratorio construiría en realidad. La empresa llama al sistema un “modelo de interacción” — una arquitectura multimodal entrenada desde cero para procesar audio, video y texto en bloques de 200 milisegundos en lugar de esperar a que los usuarios terminen de hablar.

El modelo, llamado TML-Interaction-Small, es un sistema de mezcla de expertos de 276 mil millones de parámetros con 12 mil millones de parámetros activos. Según el anuncio del blog de la empresa, es el primer producto de un laboratorio que ha recaudado alrededor de $2 mil millones a una valoración de $12 mil millones sin haber publicado antes nada más que una herramienta de ajuste fino. El lanzamiento llega en medio de una presión sostenida por la partida de talentos y una ronda posterior de financiación estancada.

Qué hace en realidad un modelo de interacción

Thinking Machines Lab argumenta que los modelos fronterizos de hoy en día — incluyendo GPT-Realtime de OpenAI y Gemini Live de Google — agregan comportamiento en tiempo real a arquitecturas basadas en turnos utilizando un “arnés” de componentes externos como la detección de actividad de voz. Esos componentes deciden cuándo el usuario ha dejado de hablar, luego entregan una declaración terminada al modelo. Mientras el modelo genera una respuesta, su percepción del mundo se congela.

El modelo de interacción reemplaza ese andamiaje con lo que la empresa llama micro-turnos alineados con el tiempo. El sistema procesa continuamente 200 milisegundos de entrada mientras genera 200 milisegundos de salida, con ambas corrientes de tokens intercaladas en el mismo ciclo de reloj. Esa estructura permite que el modelo interrumpa a un usuario a mitad de frase, reaccione a señales visuales sin ser solicitado o hable simultáneamente con el usuario para tareas como la traducción en vivo.

La arquitectura salta los codificadores independientes pesados. El audio se alimenta como características dMel a través de una capa de incrustación ligera, las imágenes se dividen en parches de 40×40 y todos los componentes se entrenan desde cero con el transformer. Un modelo de fondo separado se ejecuta de forma asíncrona, manejando razonamiento más profundo, llamadas a herramientas y navegación web mientras el modelo de interacción permanece presente en la conversación.

Según las pruebas de referencia informadas por la empresa, TML-Interaction-Small registra una latencia de toma de turnos de 0,40 segundos en FD-bench V1, en comparación con 1,18 segundos para GPT-Realtime-2.0 en su modo de pensamiento mínimo y 0,57 segundos para Gemini-3.1-flash-live. En FD-bench V1.5, que califica la calidad de la interacción en interrupciones del usuario, respuestas breves de escucha y habla de fondo, el modelo obtiene 77,8 frente a 46,8 para GPT-Realtime-2.0 mínimo y 45,5 para Gemini-3.1-flash-live en su modo de pensamiento alto. Las cifras son autoinformadas.

Un primer lanzamiento largamente esperado

El lanzamiento cierra una brecha larga entre la financiación y el producto. Thinking Machines Lab fue fundado en febrero de 2025 y en julio de ese año cerró una ronda semilla de $2 mil millones a una valoración de $12 mil millones — ampliamente informada como la ronda semilla más grande de la historia. La ronda fue liderada por Andreessen Horowitz con la participación de Nvidia (NVDA ), AMD, Cisco, Accel, ServiceNow (NOW ) y Jane Street. Hasta ahora, el único producto publicado por la empresa fue Tinker, una API para realizar el ajuste fino de modelos con pesos abiertos que se lanzó en octubre de 2025.

Los meses intermedios trajeron turbulencia. Los cofundadores Barret Zoph y Luke Metz dejaron la empresa en enero de 2026 para regresar a OpenAI, con Murati anunciando que la empresa había “cortado relaciones” con Zoph. Andrew Tulloch se fue a los Laboratorios de Superinteligencia de Meta después de que se rechazara la oferta de Mark Zuckerberg, valorada según los informes en $1.000 millones, para adquirir toda la empresa. Meta ha contratado desde entonces a cinco miembros fundadores del laboratorio. Murati respondió promoviendo a Soumith Chintala, co-creador de PyTorch, a director de tecnología. Una ronda de seguimiento reportada a una valoración de aproximadamente $50 mil millones no había concluido al cierre de 2025.

La historia de cómputo se movió en la dirección opuesta. En marzo, Thinking Machines Lab anunció una asociación con Nvidia que cubría una inversión no divulgada y el despliegue de al menos un gigavatio de sistemas Vera Rubin de próxima generación. El laboratorio también expandió su relación con Google Cloud para cubrir el entrenamiento de modelos fronterizos en hardware Nvidia GB300.

Qué observar

El modelo de interacción aún no está disponible para empresas o el público. Thinking Machines Lab dice que se abrirá una vista previa de investigación limitada a socios seleccionados en los próximos meses, con un lanzamiento más amplio más adelante en 2026. La empresa también planea lanzar modelos de interacción más grandes, señalando que la versión actual de 276 mil millones de parámetros es la variante más pequeña que puede servir a la latencia requerida.

La verificación independiente de las afirmaciones de referencia es la pregunta inmediata. FD-bench es una de las pocas pruebas de referencia públicas que apuntan a la calidad de la interacción, y las puntuaciones de Thinking Machines Lab aún no han sido reproducidas por terceros bajo cargas realistas. Las pruebas de proactividad que la empresa introdujo para señales visuales, incluyendo versiones adaptadas de RepCount-A, ProactiveVideoQA y Charades, son nuevos instrumentos sin una línea de base establecida.

La apuesta estratégica es más puntual. Mientras que OpenAI, Anthropic y Google han pasado el último año impulsando las capacidades de los agentes autónomos, Thinking Machines Lab está apostando a que el próximo eje de competencia será cómo los humanos se comunican con la IA — más cerca de una conversación continua que de una serie de instrucciones. El modelo de interacción compite más directamente con los sistemas de voz en tiempo real de IA que lanzan OpenAI, Google y un grupo creciente de startups enfocadas en el habla. Si la arquitectura sobrevive al contacto con las cargas de trabajo de producción — sesiones largas, conectividad poco fiable y las restricciones de seguridad de la negativa en tiempo real — es la prueba que la próxima ronda de vista previa impondrá.