Thinking Machines critica OpenAI e aposta em voz interativa

Com a Instrução Normativa 1.888/2022 da Receita Federalista e a recente regulamentação do mercado de criptoativos (Lei 14.478/2022), movimentos do mercado global impactam diretamente quem opera no Brasil:

• Tributação: Operações supra de R$ 35 mil/mês têm incidência de IR (15-22,5%)
• Exchanges reguladas: Priorize plataformas registradas na CVM para maior segurança jurídica
• Adoção institucional: Bancos e fintechs brasileiras ampliam oferta de cripto para clientes
• Autocustódia: Entenda a diferença entre deixar em exchange vs. carteira própria (hardware wallet)

Os sistemas de IA de voz atuais ainda parecem robóticos.

Os sistemas de tempo real atuais, como o GPT-Realtime ou o Gemini Live, captam áudio continuamente, mas o modelo de linguagem em si nunca o vê diretamente. De acordo com a Thinking Machines, um conjunto de componentes separados fica à frente do modelo, incluindo elementos como um detector de atividade vocal que decide quando a fala do interlocutor termina. Somente então a frase finalizada é entregue ao modelo, que gera uma resposta completa. Enquanto fala, sua percepção fica congelada, não recebendo novas informações até que termine ou seja interrompido.

Esses componentes são muito menos inteligentes que o próprio modelo. Isso significa que comportamentos que definem uma conversa real simplesmente não funcionam, de acordo com a Thinking Machines: intervir proativamente (“interrompa-me se eu disser algo errado”), reagir a pistas visuais (“avise-me quando eu cometer um erro”) ou falar simultaneamente, o que seria útil para algo como tradução simultânea. Citando a “Lição Amarga” de Sutton, o laboratório argumenta que esses sistemas artesanais acabarão sendo superados pelo avanço das capacidades gerais.

Os modelos de interação da Thinking Machines substituem o sistema de processamento por um modelo que processa o fluxo de áudio e vídeo diretamente, em vez de receber enunciados pré-segmentados. A abordagem se assemelha a modelos full-duplex como  o Moshi  ou  o Nemotron VoiceChat , que funcionam de maneira intercalada similar, mas são modelos de menor escala focados na latência em vez de benchmarks de inteligência.

Um cronômetro de 200 milissegundos substitui os limites artificiais das curvas.

A verdadeira inovação em relação às arquiteturas existentes reside no que a equipe chama de micro-turnos alinhados no tempo. O modelo processa continuamente 200 milissegundos de entrada e gera 200 milissegundos de saída, com ambos os fluxos de dados ocorrendo de forma intercalada. A entrada e a saída não acontecem mais sequencialmente. Em vez disso, compartilham o mesmo ciclo de clock.

Isso elimina limites artificiais de turnos, permitindo que o modelo decida por si só se deve permanecer em silêncio, intervir ou falar junto com o usuário. Áudio e imagens não são pré-processados ​​por meio de grandes codificadores independentes, mas são enviados diretamente para o transformador com pré-processamento mínimo. Isso economiza latência, embora também possa limitar a capacidade do modelo de captar detalhes visuais sutis, como texto.

O modelo em tempo real, porém, apresenta outro desafio. Se você precisa responder a cada 200 milissegundos, não pode passar minutos raciocinando ou pesquisando na internet simultaneamente. O Thinking Machines resolve isso combinando o modelo de interação com um segundo modelo assíncrono em segundo plano, que lida com tarefas mais longas, como raciocínio, uso de ferramentas e pesquisa.

Ambos os modelos compartilham o mesmo contexto de conversa. O modelo de interação delega tarefas enquanto mantém a conversa em andamento, integrando os resultados do modelo de fundo à conversa à medida que chegam, em um momento apropriado ao que o usuário está fazendo, em vez de uma mudança abrupta de contexto. O objetivo é combinar a velocidade de resposta de um modelo rápido com a profundidade de um modelo de raciocínio.

Os indicadores sugerem que a abordagem funciona.

O modelo chama-se TML-Interaction-Small, um modelo de mistura de especialistas com 276 bilhões de parâmetros, dos quais 12 bilhões são ativos. No FD-bench v1.5, que mede a qualidade da interação em diversos cenários, como interrupções do usuário, backchanneling e fala em segundo plano, ele supera significativamente tanto o GPT-Realtime-2 da OpenAI quanto o Gemini-3.1-flash-live do Google. A latência de resposta é de 0,40 segundos, em comparação com 1,18 segundos para o GPT-Realtime-2 (mínimo) e 0,57 segundos para o Gemini.

No teste Audio MultiChallenge, que avalia a inteligência e a capacidade de seguir instruções, o modelo obteve uma pontuação de 43,4%, acima das variantes rápidas de seus concorrentes, mas abaixo  do GPT-Realtime-2  no modo de raciocínio “xhigh”, que atingiu 48,5%. Nos testes de referência do próprio laboratório para percepção temporal (TimeSpeak, CueSpeak) e proatividade visual (RepCount-A, ProactiveVideoQA, Charades), a Thinking Machines relata que nenhum modelo existente consegue executar essas tarefas de forma significativa. Os concorrentes testados permanecem em silêncio ou fornecem respostas incorretas.

Uma startup de 2 bilhões de dólares com algo a provar.

A Thinking Machines Lab foi fundada em fevereiro de 2025 por Mira Murati e outros ex-pesquisadores da OpenAI. Em julho de 2025, a empresa concluiu uma rodada de investimento seed de US$ 2 bilhões, atingindo uma avaliação de US$ 12 bilhões, tudo isso sem um produto em desenvolvimento. Uma rodada subsequente, supostamente em andamento, na faixa de US$ 50 bilhões, não se concretizou até o final de 2025, e vários funcionários importantes  deixaram a empresa desde então . O Interaction Model é o primeiro modelo de IA desenvolvido internamente, corroborando a afirmação de Murati de que ela pode construir um concorrente à altura da OpenAI, Anthropic e Google DeepMind.

Anteriormente, a empresa havia lançado  o Tinker , uma ferramenta projetada para permitir que os desenvolvedores ajustassem com eficiência modelos abertos usando LoRAs, sem precisar lidar com treinamento distribuído.