#full-duplex models

Boson AI 发布了 Higgs Realtime Duplex：一个 45B 混合专家（MoE）全双工多模态模型，可同时处理音频、视频和文本流，并在说话的同时于同一条流中执行思考、工具调用和任务委派。所有输入被切成 160 毫秒的块——音频输入每块 1 个 token（约 6.25 token/s），音频输出每块 2 个 token（12.5 token/s），每 6 块送入一帧约 12 token 的摄像头画面；静音同样以块表示，模型据此决定何时接话、打断或保持安静。模型从文本预训练 LLM 出发，在约 2T token 的文本、音频和视频上继续预训练，再以多教师 on-policy 蒸馏把经 RL 训练的专家合并为单一学生模型；声音和形象在部署时用一段参考音频和一张图片零样本设定，无需微调。目前权重不开放，Duplex API 需排队申请（上一代回合制 Higgs Realtime 已可用），且公布的基准为厂商自测：Big Bench Audio 为 98.9，高于其对比的 TML Interaction Small 96.5 与 OpenAI 97，但 Full-Duplex-Bench v1.5 为 75.5，落后 TML 的 77.8，OpenAI 在七项基准中的五项领先。