Thinking machines
PulseAugur coverage of Thinking machines — every cluster mentioning Thinking machines across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SemiAnalysis报告强调RL训练-生成吞吐量差距
SemiAnalysis发布了一份报告，详细介绍了强化学习（RL）训练和生成系统吞吐量对齐方面的挑战。分析强调了策略过时和RL训练基础设施中显著的CPU需求等问题。报告还涉及了这些系统的总体拥有成本（TCO），并探讨了“思考机器的修补”概念。
-
Mira Murati 倡导人机协作而非自主
Mira Murati 讨论了“思考机器”背后的战略，强调人机协作和将 AI 作为思考工具。她将这种方法与专注于完全自主的 AI 进行了对比。Murati 还谈到了 OpenAI 的董事会危机、AI 人才竞争以及在 AI 系统中保持人类监督的重要性。
-
OpenAI 向 Opal 投资 4000 万美元用于 AI 音频设备
Opal Electronics（前身为 Opal Camera）已获得 OpenAI 提供的 4000 万美元 B 轮融资，公司估值为 2.75 亿美元。这笔投资将用于开发 AI 驱动的消费类电子产品，首款产品是一款音频设备，预计将在未来三到四个月内发布。OpenAI 的投资受到了 Opal 在 AI 硬件方面工作的影响，这源于早期 Sam Altman 与 Whisper 模型的一次互动。
-
辩论协议在特定场景下提高了AI法官的准确性
研究人员探讨了使用辩论协议来提高AI法官在评估更强大模型响应时的准确性的有效性。他们发现，当批评者模型在分类答案方面优于法官模型，并且法官模型将批评者的输入视为验证提示而非权威证词时，辩论有所帮助。这种方法在奖励标签方面显示出改进，特别是在防止接受错误答案方面，这对于对齐AI行为至关重要。
-
Thinking Machines 发布具有 200 毫秒处理能力的实时交互模型
Thinking Machines 发布了一类新的“交互模型”，专为实时对话式 AI 设计。这些模型以快速的 200 毫秒间隔处理音频、视频和文本，无需单独的轮次检测组件。这种架构允许连续的、交错的输入和输出流，从而能够实现边听边说以及在没有明确提示的情况下对视觉线索做出反应等功能。该系统利用两个共同训练的模型：一个用于实时对话的轻量级交互模型，以及一个用于规划和工具使用等复杂任务的后台模型，确保用户的低延迟。
-
OpenAI 发布 GPT Realtime 2；Anthropic 扩展 Claude 法律版
OpenAI 推出了新的语音智能功能，包括由 GPT-5 驱动的 GPT Realtime 2，提供实时翻译和转录，并强调降低延迟和更大的上下文窗口。Anthropic 正在通过 Claude for Legal 和通过 AWS 增加可用性来扩展其垂直产品，同时也在开发训练代理伦理推理的方法。与此同时，Thinking Machines 预览了一个新颖的对话系统，但该系统仍不对公众开放。
-
播客讨论LLM数据隐私、普林斯顿荣誉规章、AI语音技术和LEGO
本期播客讨论了大型语言模型（LLM）对个人信息的影响，将历史上的电话簿与当前的社交媒体数据共享进行了对比。节目还谈到了普林斯顿大学荣誉规章流程的衰落，部分原因归咎于技术变革。对话中还包括对Thinking Machines在AI代理自然语音交互方面进展的预览，并重点介绍了新的LEGO套装，包括一款俄罗斯方块街机游戏和一款指环王米那斯提力斯套装。
-
开放式AI生态系统通过共享研发提供成本优势
开发前沿AI模型的大部分计算成本归因于研发，而非最终训练阶段。中国以领先实验室普遍采取的“开放优先”策略为特征的AI生态系统，通过促进快速学习和避免重复研究工作，可能提供成本优势。这种开放模型与传统的开源软件形成对比，后者通过用户反馈显著降低了开发成本；在开源AI领域，成本降低的负担很大程度上落在模型开发者身上，尽管开放发布确实使更广泛的生态系统受益。
-
AI 在教育、游戏创作、多模态模型和语音交互方面取得进展
Mark Gadala-Maria 强调了 AI 在教育内容创作方面革新教育的潜力，并建议 AI 可能成为新的标准。他还展示了一个使用 Seedance 2 生成不存在的 N64 游戏的例子，展示了 AI 在游戏和视频生成方面的创造能力。另外，OpenBMB 和 ModelBest 发布了 MiniCPM-V 4.6 1.3B Instruct，一个小型多模态模型，在其尺寸范围内表现出竞争力。此外，Thinking Machines …
-
Thinking Machines 以全双工技术推进 AI 交流
专注于 AI 交互模型的公司 Thinking Machines 正在革新 AI 交流。他们正在开发全双工技术和新的交互模型，旨在增强 AI 协作。这项创新旨在改善 AI 系统之间的沟通和协同工作方式。
-
Mira Murati的Thinking Machines公司发布实时AI交互模型
由前OpenAI首席技术官Mira Murati创立的AI公司Thinking Machines发布了“交互模型”。这些模型旨在通过同时处理音频、视频和文本输入，实现人与AI之间更自然、实时的协作。该公司旨在降低人机通信的延迟，使AI能够像人类互动一样实时响应和行动。公司计划在未来几个月内推出有限的研究预览版，并有望在今年晚些时候发布更广泛的版本。
-
Thinking Machines 预览实时 AI 协作的交互模型
Thinking Machines 推出了一项交互模型的研究预览，该模型专为原生、实时的协作而设计。这些模型可同时处理音频、视频和文本，实现持续的思考、响应和行动。这种方法旨在克服当前基于回合制的 AI 界面的局限性，从而实现更自然、更流畅的人机协作，模仿人与人之间的互动。
-
Mira Murati 的 Thinking Machines 发布交互式 AI 模型
由前 OpenAI CTO Mira Murati 创立的 Thinking Machines Lab 宣布推出其首个 AI 模型，该模型专注于“交互模型”，旨在实现跨语音、视频和文本的实时协作。与当前顺序处理输入的 AI 不同，TML 的模型以 200 毫秒的块进行操作，使其能够同时收听和响应，模仿自然的人类对话。这种“全双工”方法旨在通过对话质量超越 OpenAI 的 GPT Realtime 2 和 Google 的 Gemin…
-
Meta 收购 AI 公司 Thinking Machines 以增强数据处理能力和竞争优势
Meta 已收购专注于人工智能和数据处理的公司 Thinking Machines。此次战略举措预计将增强 Meta 在这些领域的实力。此次收购旨在巩固 Meta 在科技行业内的竞争地位。
-
Thinking Machines推出Tinker，简化研究人员的LLM微调过程
Thinking Machines推出了Tinker平台，旨在简化研究人员和开发人员微调语言模型的过程。该工具提供了用于编写实验和管理分布式训练复杂性的抽象，使用户能够对算法选择保留显著的控制权。自一个月前推出私有测试版以来，Tinker已有数百名用户训练了模型，并扩展了其产品线，增加了来自gpt-oss和DeepSeek-V3.1系列的新模型。
-
Thinking Machines 推出 Tinker API，实现灵活的分布式 LLM 微调
Thinking Machines 推出了 Tinker，这是一个旨在简化语言模型微调的新 API。该服务允许开发人员在本地机器上编写训练循环，然后在分布式 GPU 上执行。Mira Murati 等早期用户强调了它的灵活性以及抽象化复杂 GPU 管理的能力。
-
Thinking Machines 任命 Soumith Chintala 为新任首席技术官，组建 vLLM 团队
Thinking Machines 任命 Soumith Chintala 为其新任首席技术官，接替 Barret Zoph。Chintala 在人工智能研究和开发方面拥有十年经验，预计将领导公司的技术进步。该公司还宣布计划组建一个 vLLM 团队，专注于推进开源 vLLM 和支持前沿模型。
-
Mira Murati 的 Thinking Machines 融资 20 亿美元，估值 120 亿美元
Mira Murati 的 AI 初创公司 Thinking Machines 在 Andreessen Horowitz 领投的早期融资轮中获得了 20 亿美元，公司估值达到 120 亿美元。该公司正在积极招聘多个新职位，包括研究职位。这笔巨额融资表明投资者对 Murati 的新事业充满信心。