Команда OpenMOSS из Университета Фудань и компания MOSI Intelligence опубликовали подробную оценку MOSS-Live, своей полнодуплексной системы голосового общения в реальном времени, сравнив её с GPT-Live-1 и GPT Realtime 2.1 от OpenAI, Doubao SeedDuplex от ByteDance и двумя моделями Qwen Audio 3.0. В посте блога OpenMOSS от 13 ноября изложены преимущества и недостатки MOSS-Live. Все приведенные цифры основаны на данных производителей, при этом отмечается, что размеры выборок, оценки неопределенности и полные настройки тестов не раскрывались.

MOSS-Live заняла первое место по всем шести заявленным полнодуплексным метрикам. Система реагировала на речь, не адресованную ей, в 2% случаев, по сравнению с 68% у GPT-Live-1 и 75% у Doubao SeedDuplex. Она прерывала пользователя во время паузы в 1,44% случаев, против 10,37% и 14,29% соответственно. Система корректно игнорировала неуместные прерывания в 68% случаев, по сравнению с 21% и 13%, и сохраняла ход диалога при кратких подтверждениях, таких как “мм-хм”, в 98,17% случаев.

Другие результаты неоднозначны. По использованию инструментов FDB v3, показатель успеха MOSS-Live в 51% сравнялся с Doubao SeedDuplex, заняв первое место, и превзошел результат GPT-Live-1 в 45%. Однако задержка ответа в 2,36 секунды в сценариях с инструментами оказалась выше, чем у GPT Realtime 2.1 (1,61 секунды). В бенчмарке многоходовых задач τ-Voice система набрала 57,93%, уступив GPT-Live-1 (67,68%) и значительно опередив Doubao (17,38%). Показатель уступки хода в течение двух секунд составил 52,49%, что значительно ниже, чем у моделей Qwen Audio (более 93%). В задаче понимания аудио Big-Bench система показала результат 88,40%, уступив Doubao (90,50%). По следованию многоходовым инструкциям система получила 3,35 из 5 баллов против 3,72 у GPT-Live-1, но лидировала по качеству ответов после прерываний, набрав 4,88 балла.

MOSS-Live сочетает в себе фронтальную модель, которая слушает, управляет очередностью реплик и говорит, с фоновой моделью, отвечающей за рассуждения, вызовы инструментов и длительные задачи. Обе модели обмениваются памятью, контекстом и состоянием задачи через координационный слой, что позволяет продолжать разговор во время поиска отеля или выполнения другой задачи. Система также поддерживает живое видео, демонстрацию экрана и потоковую интерпретацию.

Система доступна в онлайн-песочнице и через WebSocket realtime API под идентификатором модели moss-live-1.0. MOSI Intelligence, инкубированная Шанхайским инновационным институтом и командой OpenMOSS, ранее выпустила модели MOSS-Image и MOVA.

Источники: Официальный блог OpenMOSS · Официальный репозиторий GitHub · Официальное руководство по API MOSS-Live.

Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.