Исследователи Tencent представили модель Gander, способную одновременно обрабатывать речь, изображения и текст. Архитектура системы разделена на «мозжечок» для ведения диалога в реальном времени и «мозг» для выполнения сложных задач. Такая структура позволяет пользователю прерывать модель в любой момент, пока она продолжает работу в фоновом режиме.
Для обеспечения отзывчивости Gander разбивает диалог на секундные сегменты, удерживая в памяти около двух минут беседы. На бенчмарке Full-Duplex-Bench v3 модель показала точное время отклика во всех 100 сценариях. Частота прерываний пользователя составила 8 процентов, тогда как у GPT-Realtime этот показатель равен 13,5 процента, а у других систем достигает 48 процентов.
Модель прошла обучение на 2,7 миллиона примеров, включая сценарии поведения в тишине. Исследователи отмечают, что при высокой скорости реакции Gander уступает в точности выполнения задач по сравнению с прямым текстовым вводом. Разработчики планируют опубликовать веса модели и код на GitHub для дальнейшего изучения возможностей системы.
Tencent активно развивает направление ИИ-агентов, ранее выпустив модель Hy3 в июле. Компания ведет переговоры о приобретении доли в стартапе Manus. Эти шаги направлены на интеграцию агентских функций в собственные продукты, включая WeChat, WorkBuddy и Yuanbao, что является частью долгосрочной стратегии корпорации по внедрению интеллектуальных помощников.
