एआई मॉडल और प्लेटफ़ॉर्म

Thinking Machines Lab ने 200 ms रियल-टाइम इंटरैक्शन वाला अपना पहला मॉडल जारी किया

Alex McFarland
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुथिंकिंग मशीन्स का दांव है कि बारी-बारी आधारित प्रॉम्प्टिंग के बजाय निरंतर अंतःक्रिया ही…
और देखें
  • थिंकिंग मशीन्स का दांव है कि बारी-बारी आधारित प्रॉम्प्टिंग के बजाय निरंतर अंतःक्रिया ही एआई में अगली प्रतिस्पर्धी सीमा तय करेगी।
  • यह अंतःक्रिया मॉडल इनपुट और आउटपुट को एक ही क्लॉक साइकिल पर संसाधित करता है, इसलिए यह रीयल टाइम में बीच में रुककर प्रतिक्रिया दे सकता है और अनुवाद कर सकता है।
  • प्रयोगशाला द्वारा स्वयं रिपोर्ट किए गए अंतःक्रिया बेंचमार्क का स्वतंत्र सत्यापन इस शोध पूर्वावलोकन के लिए तत्काल खुला प्रश्न बना हुआ है।

Thinking Machines Lab, पूर्व OpenAI CTO मीरा मुराती द्वारा स्थापित AI स्टार्टअप ने 11 मई 2026 को अपने पहले इन-हाउस मॉडल का शोध पूर्वावलोकन जारी किया। इसके साथ यह एक साल से अधिक समय से बना मौन टूटा कि लैब वास्तव में क्या बनाएगी। कंपनी इस सिस्टम को «इंटरैक्शन मॉडल» कहती है—ऐसा मल्टीमोडल आर्किटेक्चर जिसे उपयोगकर्ता की बारी पूरी होने की प्रतीक्षा करने के बजाय ऑडियो, वीडियो और टेक्स्ट को 200 मिलीसेकंड के खंडों में संसाधित करने के लिए शुरू से प्रशिक्षित किया गया है।

इस मॉडल का नाम TML-Interaction-Small है। यह 276 अरब कुल पैरामीटर और 12 अरब सक्रिय पैरामीटर वाला मिक्सचर-ऑफ-एक्सपर्ट्स सिस्टम है। कंपनी की घोषणा संबंधी ब्लॉग पोस्ट के अनुसार, यह उस लैब का पहला उत्पाद है जिसने 12 अरब डॉलर के मूल्यांकन पर लगभग 2 अरब डॉलर जुटाए हैं, लेकिन इससे पहले फाइन-ट्यूनिंग टूल के अलावा कुछ जारी नहीं किया था। यह रिलीज़ प्रतिभाशाली कर्मचारियों के जाने और अगले फंडिंग राउंड के अटकने से बने लगातार दबाव के बीच आई है।

इंटरैक्शन मॉडल वास्तव में क्या करता है

Thinking Machines का तर्क है कि आज के अग्रणी मॉडल—जिनमें OpenAI का GPT-Realtime और Google का Gemini Live शामिल हैं—वॉइस-एक्टिविटी डिटेक्शन जैसे बाहरी घटकों की संरचना के सहारे बारी-आधारित आर्किटेक्चर में रियल-टाइम व्यवहार जोड़ते हैं। ये घटक तय करते हैं कि उपयोगकर्ता ने बोलना कब बंद किया, फिर पूरा कथन मॉडल को सौंपते हैं। मॉडल के जवाब बनाते समय दुनिया के प्रति उसकी धारणा ठहर जाती है।

इंटरैक्शन मॉडल इस ढाँचे की जगह कंपनी के शब्दों में समय के अनुसार समन्वित माइक्रो-टर्न लाता है। सिस्टम लगातार 200 मिलीसेकंड के इनपुट को संसाधित करते हुए 200 मिलीसेकंड का आउटपुट तैयार करता है और दोनों टोकन स्ट्रीम एक ही क्लॉक चक्र में बारी-बारी से चलती हैं। यह संरचना मॉडल को उपयोगकर्ता की बात बीच वाक्य में काटने, कहे बिना दृश्य संकेतों पर प्रतिक्रिया देने या लाइव अनुवाद जैसे काम में उपयोगकर्ता के साथ एक ही समय बोलने देती है।

आर्किटेक्चर भारी स्टैंडअलोन एनकोडर का उपयोग नहीं करता। ऑडियो हल्की एम्बेडिंग परत के माध्यम से dMel फीचर के रूप में दिया जाता है, छवियों को 40 गुणा 40 के पैच में बाँटा जाता है और सभी घटकों को ट्रांसफॉर्मर के साथ शुरू से संयुक्त रूप से प्रशिक्षित किया जाता है। अलग बैकग्राउंड मॉडल असिंक्रोनस ढंग से चलता है और गहरे तर्क, टूल कॉल तथा वेब ब्राउज़िंग को सँभालता है, जबकि इंटरैक्शन मॉडल बातचीत में मौजूद रहता है।

कंपनी के बताए बेंचमार्क में TML-Interaction-Small की बारी बदलने की लेटेंसी FD-bench V1 पर 0.40 सेकंड है। इसकी तुलना में न्यूनतम सोच मोड वाले GPT-Realtime-2.0 की लेटेंसी 1.18 सेकंड और Gemini-3.1-flash-live की 0.57 सेकंड है। FD-bench V1.5 उपयोगकर्ता के बीच में बोलने, सुनने का संकेत देने वाली छोटी प्रतिक्रियाओं और पृष्ठभूमि में बोलचाल के दौरान इंटरैक्शन की गुणवत्ता मापता है। इसमें मॉडल का स्कोर 77.8 है, जबकि न्यूनतम सोच वाले GPT-Realtime-2.0 का 46.8 और उच्च सोच मोड वाले Gemini-3.1-flash-live का 45.5 है। ये आँकड़े कंपनी ने स्वयं बताए हैं।

लंबे समय से प्रतीक्षित पहला उत्पाद

इस रिलीज़ से फंडिंग और उत्पाद के बीच का लंबा अंतर समाप्त होता है। Thinking Machines की स्थापना फरवरी 2025 में हुई और उसी साल जुलाई में उसने 12 अरब डॉलर के मूल्यांकन पर 2 अरब डॉलर का सीड राउंड पूरा किया—जिसे व्यापक रूप से अब तक का सबसे बड़ा सीड राउंड बताया गया। Andreessen Horowitz के नेतृत्व वाले इस राउंड में Nvidia (NVDA ), AMD, Cisco, Accel, ServiceNow (NOW ) और Jane Street शामिल थे। अब तक कंपनी का एकमात्र जारी उत्पाद Tinker था, जो खुले वज़न वाले मॉडलों की फाइन-ट्यूनिंग का API है और अक्टूबर 2025 में लॉन्च हुआ था।

बीच के महीनों में उथल-पुथल रही। सह-संस्थापक Barret Zoph और Luke Metz जनवरी 2026 में OpenAI लौटने के लिए चले गए। मुराती ने घोषणा की कि कंपनी ने Zoph से «रास्ते अलग कर लिए» हैं। Mark Zuckerberg की पूरी कंपनी खरीदने की पेशकश, जिसकी राशि रिपोर्टों के अनुसार 1 अरब डॉलर थी, खारिज होने के बाद Andrew Tulloch, Meta की Superintelligence Labs में चले गए। Meta तब से लैब के पाँच संस्थापक सदस्यों को नियुक्त कर चुकी है। मुराती ने जवाब में PyTorch के सह-निर्माता Soumith Chintala को CTO के पद पर पदोन्नत किया। रिपोर्टों में लगभग 50 अरब डॉलर के मूल्यांकन पर बताए गए अगले फंडिंग राउंड का समापन 2025 के अंत तक नहीं हुआ था।

कंप्यूटिंग क्षमता की कहानी विपरीत दिशा में आगे बढ़ी। मार्च में Thinking Machines ने Nvidia के साथ साझेदारी की घोषणा की, जिसमें अघोषित राशि का निवेश और नई पीढ़ी के कम से कम एक गीगावाट क्षमता वाले Vera Rubin सिस्टम की तैनाती शामिल है। लैब ने Google Cloud के साथ अपना संबंध भी बढ़ाया, ताकि Nvidia GB300 हार्डवेयर पर अग्रणी मॉडलों का प्रशिक्षण इसमें शामिल हो सके।

किन बातों पर नज़र रखें

इंटरैक्शन मॉडल अभी उद्यमों या आम जनता के लिए उपलब्ध नहीं है। Thinking Machines का कहना है कि अगले कुछ महीनों में चुनिंदा साझेदारों के लिए सीमित शोध पूर्वावलोकन खुलेगा और 2026 में बाद में व्यापक रिलीज़ होगी। कंपनी बड़े इंटरैक्शन मॉडल जारी करने की भी योजना बना रही है। उसका कहना है कि मौजूदा 276 अरब पैरामीटर वाला संस्करण सबसे छोटा विकल्प है जिसे वह आवश्यक लेटेंसी पर उपलब्ध करा सकती है।

तत्काल सवाल बेंचमार्क दावों के स्वतंत्र सत्यापन का है। FD-bench इंटरैक्शन की गुणवत्ता पर केंद्रित कुछ सार्वजनिक बेंचमार्क में से एक है और Thinking Machines के स्कोर अभी वास्तविक परिस्थितियों वाले लोड पर तीसरे पक्ष द्वारा दोहराए नहीं गए हैं। दृश्य संकेतों के लिए कंपनी द्वारा प्रस्तुत सक्रिय पहल के परीक्षण—जिनमें RepCount-A, ProactiveVideoQA और Charades के अनुकूलित संस्करण शामिल हैं—ऐसे नए साधन हैं जिनका स्थापित तुलना-आधार नहीं है।

रणनीतिक दाँव अधिक स्पष्ट है। OpenAI, Anthropic और Google ने पिछले साल स्वायत्त एजेंट की क्षमताएँ आगे बढ़ाई हैं, जबकि Thinking Machines का दाँव है कि प्रतिस्पर्धा का अगला आयाम होगा मनुष्यों का AI के साथ संवाद करने का तरीका —प्रॉम्प्ट की शृंखला के बजाय लगातार चलती बातचीत के अधिक निकट। इंटरैक्शन मॉडल की सबसे सीधी प्रतिस्पर्धा उन रियल-टाइम वॉइस AI सिस्टम से है जिन्हें OpenAI, Google और बोलचाल पर केंद्रित स्टार्टअप का बढ़ता समूह जारी कर रहा है। प्रोडक्शन कार्यभार—लंबे सत्र, अविश्वसनीय कनेक्टिविटी और रियल-टाइम में इनकार करने की सुरक्षा संबंधी सीमाओं—के सामने यह आर्किटेक्चर टिकता है या नहीं, अगला पूर्वावलोकन राउंड यही परखेगा।

Alex McFarland

Alex Unite.AI के एआई‑संचालित समाचार संचालन का नेतृत्व करते हैं, पत्रकारिता, अनुसंधान और स्वचालन को मिलाकर कृत्रिम बुद्धिमत्ता की समय पर और स्केलेबल कवरेज को समर्थन देते हैं। उनका काम यह सुनिश्चित करने में मदद करता है कि उभरते एआई विकास को प्रभावी ढंग से उजागर किया जाए, जबकि प्रकाशन के संपादकीय मानकों को बनाए रखा जाए।