AI-modellen en platforms
Thinking Machines Lab brengt eerste model uit met realtime-interactie per 200 milliseconden

Belangrijkste puntenThinking Machines zet erop in dat continue interactie, eerder dan prompting in beurten…
Meer weergeven
- Thinking Machines zet erop in dat continue interactie, eerder dan prompting in beurten, de volgende concurrentiële grens in AI zal bepalen.
- Het interactiemodel verwerkt invoer en uitvoer in dezelfde klokcyclus, zodat het kan onderbreken, reageren en in realtime kan vertalen.
- Onafhankelijke verificatie van de door het lab zelf gerapporteerde interactiebenchmarks blijft de onmiddellijke openstaande vraag voor de onderzoekspreview.
Thinking Machines Lab, de AI-startup die is opgericht door voormalig OpenAI-CTO Mira Murati, heeft een onderzoeksvoorvertoning van zijn eerste intern ontwikkelde model vrijgegeven op 11 mei 2026, waarmee meer dan een jaar stilte over wat het lab zou gaan bouwen, is beëindigd. Het bedrijf noemt het systeem een “interactiemodel” – een multimodale architectuur die van de grond af is getraind om audio, video en tekst te verwerken in stukken van 200 milliseconden in plaats van te wachten tot gebruikers een beurt hebben voltooid.
Het model, genaamd TML-Interaction-Small, is een mixture-of-experts-systeem met 276 miljard parameters, waarvan 12 miljard actief zijn. Volgens de aankondigingsblogpost van het bedrijf is dit het eerste product van een lab dat ongeveer $2 miljard heeft opgehaald bij een waardering van $12 miljard zonder eerder iets anders te hebben uitgebracht dan een fine-tuningtool. De release vindt plaats te midden van aanhoudende druk van het vertrek van talent en een stilgevallen follow-on financieringsronde.
Wat een interactiemodel eigenlijk doet
Thinking Machines stelt dat de huidige frontiermodellen – waaronder OpenAI’s GPT-Realtime en Google’s Gemini Live – real-time gedrag toevoegen aan turn-based architectuur met behulp van een “harnas” van externe componenten zoals spraakactiviteitsdetectie. Die componenten beslissen wanneer de gebruiker is gestopt met spreken en geven dan een voltooide uiting aan het model. Terwijl het model een antwoord genereert, bevriest zijn perceptie van de wereld.
Het interactiemodel vervangt die ondersteunende constructie door wat het bedrijf noemt in de tijd uitgelijnde microbeurten. Het systeem verwerkt continu 200 milliseconden invoer terwijl het 200 milliseconden uitvoer genereert, met beide tokenstromen verweven op dezelfde klokcyclus. Die structuur laat het model toe om een gebruiker halverwege een zin te onderbreken, te reageren op visuele signalen zonder dat daarom wordt gevraagd, of tegelijkertijd met de gebruiker te spreken voor taken zoals live-vertaling.
De architectuur slaat zware zelfstandige encoders over. Audio wordt ingevoerd als dMel-kenmerken via een lichtgewicht embeddinglaag, afbeeldingen worden gesplitst in 40×40 patches en alle componenten worden samen met de transformer van de grond af getraind. Een apart achtergrondmodel draait asynchroon, waarbij dieper redeneren, toolaanroepen en webbrowsen worden afgehandeld terwijl het interactiemodel aanwezig blijft in het gesprek.
Op de door het bedrijf gerapporteerde benchmarks, behaalt TML-Interaction-Small een latentie bij het wisselen van spreekbeurt van 0,40 seconden op FD-bench V1, vergeleken met 1,18 seconden voor GPT-Realtime-2.0 in zijn minimale denkmodus en 0,57 seconden voor Gemini-3.1-flash-live. Op FD-bench V1.5, die interactiekwaliteit meet over onderbrekingen door gebruikers, korte luisterreacties en spraak op de achtergrond, scoort het model 77,8 tegen 46,8 voor GPT-Realtime-2.0 in de minimale denkmodus en 45,5 voor Gemini-3.1-flash-live in zijn hoge denkmodus. De cijfers zijn zelf gerapporteerd.
Een langverwachte eerste modelrelease
De release sluit een lange kloof tussen financiering en product. Thinking Machines werd opgericht in februari 2025 en sloot in juli van dat jaar een financieringsronde van $2 miljard af bij een waardering van $12 miljard – breed gerapporteerd als de grootste seedronde ooit. De ronde werd geleid door Andreessen Horowitz met deelname van Nvidia (NVDA ), AMD, Cisco, Accel, ServiceNow (NOW ) en Jane Street. Tot nu toe was het enige product dat het bedrijf had uitgebracht Tinker, een API voor fine-tuning van modellen met open gewichten die in oktober 2025 werd gelanceerd.
De tussenliggende maanden brachten turbulentie. Mede-oprichters Barret Zoph en Luke Metz verlieten het bedrijf in januari 2026 om terug te keren naar OpenAI, met Murati die aankondigde dat het bedrijf “uit elkaar was gegaan” met Zoph. Andrew Tulloch vertrok naar Meta’s Superintelligence Labs nadat Mark Zuckerberg’s gerapporteerde aanbod van $1 miljard om het hele bedrijf over te nemen, was afgewezen. Meta heeft sindsdien vijf oprichters van het lab in dienst genomen. Murati reageerde door Soumith Chintala, een mede-creator van PyTorch, tot CTO te benoemen. Een gerapporteerde follow-on ronde bij een waardering van ongeveer $50 miljard werd niet afgesloten tegen het einde van 2025.
Het verhaal over de rekenkracht bewoog in de tegenovergestelde richting. In maart kondigde Thinking Machines een partnership met Nvidia aan, waaronder een onbekend bedrag aan investeringen en de inzet van ten minste één gigawatt aan next-generation Vera Rubin-systemen. Het lab breidde ook zijn relatie met Google Cloud uit om frontiermodeltraining op Nvidia GB300-hardware te dekken.
Waarop te letten
Het interactiemodel is nog niet beschikbaar voor ondernemingen of het publiek. Thinking Machines zegt dat een beperkte onderzoeksvoorvertoning in de komende maanden zal worden opengesteld voor geselecteerde partners, met een bredere release later in 2026. Het bedrijf is ook van plan om grotere interactiemodellen vrij te geven, waarbij wordt opgemerkt dat de huidige 276B parameter-versie de kleinste variant is die het kan serveren bij de vereiste latentie.
Onafhankelijke verificatie van de benchmarkclaims is de onmiddellijke vraag. FD-bench is een van de weinige openbare benchmarks die gericht zijn op interactiekwaliteit, en de scores van Thinking Machines zijn nog niet gereproduceerd door derden onder realistische belasting. De proactiviteitstests die het bedrijf heeft geïntroduceerd voor visuele signalen, waaronder aangepaste versies van RepCount-A, ProactiveVideoQA en Charades, zijn nieuwe instrumenten zonder een gevestigde baseline.
De strategische inzet is scherper. Terwijl OpenAI, Anthropic en Google het afgelopen jaar autonome agentcapaciteiten hebben gestimuleerd, wedt Thinking Machines dat de volgende as van concurrentie zal zijn hoe mensen communiceren met AI – dichter bij een continue conversatie dan een reeks prompts. Het interactiemodel concurreert het meest direct met de real-time spraak-AI-systemen die worden uitgebracht door OpenAI, Google en een groeiende groep spraakgerichte startups. Of de architectuur bestand is tegen productieworkloads – lange sessies, onbetrouwbare connectiviteit en de veiligheidsbeperkingen van real-time weigering – is de test die de volgende voorvertoningsronde zal opleggen.












