标签
Thinking Machines Lab 和 OpenBMB 发布了 MiniCPM-o 4.5，这是一个 9B 参数的全双工全模态模型，采用 Omni-Flow 框架，支持连续、时间对齐的实时视频和语音交互，超越了之前的模型，并以开源形式提供。
Mira Murati 团队展示了全新交互模型预览版，该模型从头训练，原生支持全双工实时音视频对话、即时打断、多语言翻译及动态多任务处理。演示验证了其在低延迟流式交互、多模态感知与并发任务执行方面的核心能力。
EchoChain 是一项全新基准测试，旨在评估 AI 模型在用户中途打断时修正正在进行中的回复的能力。该基准提炼出三种典型故障模式（上下文惯性、中断遗忘、目标偏移），结果表明，在当前评估的实时语音模型中，无一系统的通过率突破 50%。
MoshiRAG 将紧凑的全双工语音语言模型与异步检索增强生成相结合，在保持实时交互性的同时提高事实准确性。该方法利用对话中自然的时空间隙来检索外部知识，而不会打断对话的自然流程。
MTR-DuplexBench为全双工语音语言模型在多轮对话中的评估引入了一个综合基准，解决轮转边界模糊和上下文不一致等挑战，同时评估对话特征、对话质量、指令遵循和安全性。
OpenAI 发布了 GPT-Live-1，这是一款全双工 AI 模型，可通过 API 进行实时语音对话，支持背景噪声处理，并集成后端推理模型。
OpenAI发布了由GPT-Live驱动的新一代ChatGPT语音功能，实现全双工实时对话，支持打断、智能推理、网络搜索和实时翻译，交互更自然智能。