Tencent разделя разговорите в реално време от фоновите AI задачи
Tencent представи изследователския модел Gander, създаден да води разговор в реално време, докато изпълнява по-сложни задачи във фонов режим. Той обработва едновременно реч, изображения и текст, може да слуша, докато говори, и позволява на потребителя да го прекъсне или да промени задачата. Моделът може също да задава уточняващи въпроси и да съобщава за напредъка без изрична подкана.
Системата разделя работата между два компонента. „Малък мозък“ взема бързи решения кога да слуша, говори или спре, като разглежда разговора на интервали от една секунда и използва около две минути скорошен контекст. Сменяемият „мозък“ извършва сложната работа, например търсене на файлове или поправяне на код. В тестовете тази роля е изпълнявал неуточнен модел от семейството GPT-5.6 на OpenAI.
В Full-Duplex-Bench v3 Gander е започнал да говори в подходящия момент във всичките 100 сценария и е прекъсвал потребителите в 8% от случаите, срещу 13,5% за GPT-Realtime. Точността при задачите обаче е била малко по-ниска от тази на най-слабия конкурент, а резултатите при някои аудио- и видео-задачи са били по-слаби. Tencent планира да публикува теглата и данните за обучение; хранилище в GitHub вече съдържа код и демонстрации.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.