Thinking Machines 刚发的「边听边说」，让我想到了几个月前的面壁智能

边听边说

OpenAI 前 CTO Mira Murati 和前应用研究负责人翁荔（Lilian Weng）创立的 Thinking Machines Lab，也就是 TML，刚刚发布了一个叫「Interaction Models」的研究

这东西的核心能力，是让 AI 能一边听你说话、一边看周围环境、一边回应你。TML 种子轮融资 20 亿美元，估值 120 亿，这是他们创立一年多来第一次公布核心技术方向，下面这个是发布视频

看完 TML 的发布，我想到了两个东西：

• OpenAI 的 Realtime API，这应该是最早落地边听边说的，不过没有多模态能力：

• 还有一个就是面壁智能今年 2 月开源了 MiniCPM-o 4.5：

今天的故事由此展开，聚焦于 TML-Interaction 和 MiniCPM-o 这俩系列的技术技术、思路的异同，大家是怎么做的：

→ TML 发布 TML-Interaction-Small，276B 参数，12B 激活，200ms 微回合设计

→ 面壁 2 月开源 MiniCPM-o 4.5，9B 参数，1.0s 时间片段，可在 12GB RAM 设备上运行

→ 两家核心洞察一致：交互瓶颈在范式层面，传统的 VAD 应该被模型自身替代

→ 技术路径有分歧：时间粒度、编码器策略、模型架构各走各的

TML 发了什么

Thinking Machines Lab 这次的模型叫 TML-Interaction-Small，276B 参数的混合专家架构（参数很多但每次只激活其中 12B），搭配一个异步运行的「背景模型」使用。

注意，这里是两套模型：交互模型负责实时对话，始终在线。背景模型负责工具调用、网页搜索这类需要时间的重活，做完把结果回传给交互模型

翁荔在 Demo 视频里出镜，也是她的首次产品演示。在视频里，她要求模型在她讲故事时，每听到一个动物名字就计数一次。她中间喝水、停顿思考，模型都没有打断。最后给出了正确答案：鹿一次、绵羊一次、郊狼一次、卡皮巴拉一次

TML Demo：Introducing Interaction Models

Benchmark 方面，TML 用了 FD-bench，一个专门测交互质量的基准。轮次切换延迟 0.40 秒，GPT-realtime-2.0 是 1.18 秒，Gemini-3.1-flash-live 是 0.57 秒。交互质量评分 77.8，GPT 两个版本分别 46.8 和 47.8

TML 还自己造了两个 benchmark：TimeSpeak 和 CueSpeak

TimeSpeak 测模型能不能在指定时间主动开口，比如「每 4 秒提醒我呼吸一次」；CueSpeak 测模型能不能在正确时刻回应，比如「听到外语就纠正发音」

对于这俩 bench，现有模型几乎为零，GPT-realtime-2.0 分别得了 4.3 和 2.9，TML 得了 64.7 和 81.7

TML 在智能和交互两个维度上的位置

然后...这个模型目前只是放了个视频，还没有正式开放，预计公开发布会安排在今年晚些时候

VAD 该退休了

现在的 AI 通话，主流是怎么做的呢？其实流程跟用对讲机差不多：你说完，等一下，AI 回应。AI 说完，你再说...一轮一轮，循环往复

控制这个节奏的组件叫 VAD（Voice Activity Detection，语音活动检测），负责判断你有没有在说话。你停顿超过大约半秒，它就认定你说完了，触发 AI 回复。TML 在博客里是这样描述的：这个组件比模型本身笨得多，但它在主导整个对话节奏

人说话会停顿、会思考、会犹豫，但是呢... VAD 分不清「在想」和「说完了」，所以 AI 经常在你思考的时候抢话...讲道理，这个很烦...

于是，让模型自己学会判断什么时候该说、什么时候该听这件事就变得无比重要，并且得把 VAD 从系统里拿掉

TML 的做法是把时间切成 200ms 一个片段，叫「微回合」（micro-turn）。每个片段里模型先处理刚收到的输入，再决定是否输出。200ms 刷新一次感知，没有人工设定的轮次边界

上面是人感受到的（同时），下面是模型看到的（交替）

而在面壁这一侧，框架叫 Omni-Flow，思路类似：把连续的音视频流切成时间片段，在共享时间轴上对齐

面壁的方案

面壁在 2 月 3 日开源了 MiniCPM-o 4.5，2 月 6 日放出了可本地部署的实时 Web Demo，也发了技术报告，其实之前有比较详细的解读：

MiniCPM-o 4.5 是 9B 参数的端到端全模态模型，从编码到解码全部打通：视觉用 SigLIP ViT（0.4B），音频用 Whisper Medium（0.3B），语言模型用 Qwen3-8B，语音解码用一个 0.3B 的轻量解码器。所有组件通过 token 级的隐状态连接，可以端到端联合训练

9B 参数，从编码器到语音解码器一路连到底

Omni-Flow 把交互过程切成以秒为单位的时间窗口。每个窗口内，模型先接收新的视觉和音频信号，再预测一个控制 token：「听」还是「说」。如果是「说」，再生成具体内容

面壁对 Omni-Flow 做了消融实验。时间窗口从 1.0 秒、0.2 秒到 0.1 秒都测了，1.0 秒效果最好。窗口太短，模型在每个片段内拿到的信息不够做稳定决策

面壁还处理了一个问题：模型生成文本很快，但把文本念出来需要时间。如果不做对齐，模型说出来的内容会滞后于当前语境。他们的 TAIL 技术让模型自适应控制每个窗口的文本量，保持语音和实时语境同步

部署方面，面壁开发了 llama.cpp-omni 推理框架，MiniCPM-o 4.5 在 RTX 4090 上的实时因子是 0.21，内存占用低于 12GB。模型权重和代码公开在 Hugging Face 和 GitHub

MiniCPM-o 4.5 边看边听边说的实时交互

两家的技术分歧

两家对「为什么做」的判断几乎一致，在「怎么做」上走了不同的路

时间粒度：TML 选了 200ms，面壁选了 1.0s。 TML 的逻辑是粒度越细感知越快。面壁的消融实验给出了不同结论：0.2 秒的窗口里信息太少，模型决策不稳定。两家都没有公开对方粒度下的测试数据

编码器策略上，TML 不用 Whisper 这类独立编码器，直接把原始音频信号通过轻量嵌入层送进 transformer，从头联合训练。TML 在博客里引用了 Rich Sutton 的 Bitter Lesson：通用的学习能力最终会超过手工设计的组件。面壁保留了 Whisper Medium 和 SigLIP ViT

模型架构上，TML 拆成交互模型和背景模型两个，面壁用一个 9B 的统一模型覆盖全部

「是否说话」的判断方式也不同。TML 让模型隐式学会，而面壁用显式的 Listen-Speak 控制 token，先预测「听还是说」，再预测内容。面壁的消融显示拆开效果更好

部署目标上，TML 面向云端，面壁面向端侧

此外，TML 的博客里有一个细节。他们引用了 Anthropic 一份 model card 里的话：用户以同步的、手在键盘上的方式使用模型时，收益并不明显

边听边说这件事，TML 和面壁给出了各自的解法

以上