Модели и платформы ИИ

Thinking Machines Lab выпускает первую модель с взаимодействием в реальном времени по 200 мс

Alex McFarland
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыThinking Machines делает ставку на то, что именно непрерывное взаимодействие, а не…
Показать больше
  • Thinking Machines делает ставку на то, что именно непрерывное взаимодействие, а не пошаговые запросы, определит следующую конкурентную границу в области ИИ.
  • Модель взаимодействия обрабатывает ввод и вывод за один и тот же такт, поэтому она может прерывать, реагировать и переводить в реальном времени.
  • Независимая проверка самостоятельно заявленных лабораторией показателей взаимодействия остаётся непосредственным открытым вопросом для исследовательского превью.

Лаборатория Thinking Machines, стартап в области ИИ, основанный бывшим техническим директором OpenAI Мирой Мурати, выпустил исследовательскую предварительную версию своей первой собственной модели 11 мая 2026 года, положив конец более чем годовому молчанию о том, что лаборатория на самом деле будет строить. Компания называет эту систему “моделью взаимодействия” — многомодальной архитектурой, обученной с нуля для обработки аудио, видео и текста в 200-миллисекундных фрагментах, не дожидаясь завершения реплики пользователя.

Модель, названная TML-Interaction-Small, представляет собой систему со смесью экспертов (MoE), содержащую 276 миллиардов параметров и 12 миллиардов активных параметров. Согласно объявлению в блоге компании, это первый продукт лаборатории, которая привлекла около 2 миллиардов долларов при оценке в 12 миллиардов долларов, не выпустив ничего, кроме инструмента для тонкой настройки. Выпуск происходит на фоне продолжающегося давления со стороны ухода талантов и застрявшего раунда последующего финансирования.

Что на самом деле делает модель взаимодействия

Лаборатория Thinking Machines утверждает, что современные модели на переднем крае — включая GPT-Realtime от OpenAI и Gemini Live от Google — добавляют поведение в реальном времени к архитектурам с поочередными репликами с помощью комплекса внешних компонентов, таких как обнаружение голосовой активности. Эти компоненты решают, когда пользователь перестал говорить, а затем передают готовое высказывание модели. Пока модель генерирует ответ, ее восприятие мира замораживается.

Модель взаимодействия заменяет эту конструкцию на то, что компания называет синхронизированными во времени микрорепликами. Система непрерывно обрабатывает 200 миллисекунд входных данных, генерируя 200 миллисекунд выходных данных, причем оба потока токенов чередуются в одном тактовом цикле. Эта структура позволяет модели прервать пользователя в середине предложения, отреагировать на визуальные сигналы без запроса или говорить одновременно с пользователем для задач, таких как живой перевод.

Архитектура пропускает тяжелые отдельные кодировщики. Аудио подается в виде признаков dMel через легкий слой эмбеддингов, изображения делятся на фрагменты размером 40 × 40, и все компоненты обучаются вместе с нуля с трансформером. Отдельная фоновая модель работает асинхронно, обрабатывая более глубокие рассуждения, вызовы инструментов и просмотр веб-страниц, пока модель взаимодействия остается в разговоре.

Согласно заявленным компанией показателям, TML-Interaction-Small демонстрирует задержку смены реплик в 0,40 секунды на FD-bench V1, по сравнению с 1,18 секундами для GPT-Realtime-2.0 в режиме минимального мышления и 0,57 секундами для Gemini-3.1-flash-live. На FD-bench V1.5, который оценивает качество взаимодействия при прерываниях со стороны пользователя, коротких реакциях слушателя и речи на заднем плане, модель набирает 77,8 балла против 46,8 для GPT-Realtime-2.0 минимального и 45,5 для Gemini-3.1-flash-live в режиме высокого мышления. Эти цифры представлены компанией.

Долгожданный первый выпуск

Выпуск закрывает большой пробел между финансированием и продуктом. Лаборатория Thinking Machines была основана в феврале 2025 года, и в июле того же года она закрыла посевной раунд финансирования в размере 2 миллиардов долларов при оценке в 12 миллиардов долларов — широко освещаемый как крупнейший посевной раунд финансирования в истории. Раунд был возглавлен Andreessen Horowitz с участием Nvidia (NVDA ), AMD, Cisco, Accel, ServiceNow (NOW ) и Jane Street. До сих пор единственным выпущенным продуктом компании был Tinker, API для тонкой настройки моделей с открытыми весами, запущенный в октябре 2025 года.

Промежуточные месяцы принесли турбулентность. Сооснователи Баррет Зоф и Люк Метц покинули компанию в январе 2026 года, чтобы вернуться в OpenAI, и Мурати объявила, что компания “рассталась” с Зофом. Эндрю Туллох ушел в лабораторию Superintelligence от Meta после отклонения предложения Марка Цукерберга о покупке всей компании, сумма которого, по сообщениям, составляла 1 миллиард долларов. Meta с тех пор наняла пять основателей лаборатории. Мурати ответила на это, повысив Сумита Чинталу, соавтора PyTorch, до должности технического директора. Последующий раунд финансирования при оценке примерно в 50 миллиардов долларов, о котором сообщалось в прессе, не был закрыт к концу 2025 года.

История с вычислениями развивалась в противоположном направлении. В марте лаборатория Thinking Machines объявила о партнерстве с Nvidia, которое включает в себя инвестицию нераскрытого размера и развертывание как минимум одного гигаватта систем нового поколения Vera Rubin. Лаборатория также расширила свое сотрудничество с Google Cloud, чтобы охватить обучение моделей на переднем крае на оборудовании Nvidia GB300.

За чем следить

Модель взаимодействия пока недоступна для предприятий или публики. Лаборатория Thinking Machines заявляет, что ограниченная исследовательская предварительная версия станет доступна избранным партнерам в ближайшие месяцы, а более широкий выпуск состоится позже в 2026 году. Компания также планирует выпустить более крупные модели взаимодействия, отметив, что текущая версия с 276 миллиардами параметров является самой маленькой версией, которую они могут обслуживать при требуемой задержке.

Независимая верификация заявленных показателей является ближайшим вопросом. FD-bench — одна из немногих публичных оценок, ориентированных на качество взаимодействия, и результаты Thinking Machines еще не были воспроизведены третьими сторонами под реалистичной нагрузкой. Тесты на проактивность, которые компания представила для визуальных сигналов, включая адаптированные версии RepCount-A, ProactiveVideoQA и Charades, являются новыми инструментами без установленной базовой линии.

Стратегическая ставка более точна. Пока OpenAI, Anthropic и Google потратили прошлый год на продвижение возможностей автономных агентов, лаборатория Thinking Machines делает ставку на то, что следующим направлением конкуренции будет то, как люди общаются с ИИ — ближе к непрерывному разговору, чем к серии подсказок. Модель взаимодействия конкурирует напрямую с системами реального времени голосового ИИ, которые выпускают OpenAI, Google и растущее число стартапов, ориентированных на речь. Выдержит ли архитектура производственные нагрузки — длительные сессии, ненадежную связь и ограничения безопасности при отказе в реальном времени — покажет следующий этап предварительного тестирования.

Alex McFarland

Alex руководит новостными операциями Unite.AI, основанными на ИИ, объединяя журналистику, исследования и автоматизацию для обеспечения своевременного и масштабируемого освещения искусственного интеллекта. Его работа помогает эффективно выявлять новые разработки в области ИИ, при этом соблюдая редакционные стандарты издания.