Bỏ qua, đến nội dung chính
MocaOne

← Về mục Blog

Tin tức

MOSS-Live dẫn đầu sáu chỉ số song công nhưng kém GPT-Live-1 ở tác vụ nhiều lượt

Tác giả: Ban biên tập MocaOne · Đăng ngày

Bài viết do AI tổng hợp, biên tập bởi MocaOne. Xem chính sách nội dung

MOSS-Live đứng đầu sáu chỉ số song công toàn phần nhưng xếp sau GPT-Live-1 trong các tác vụ nhiều lượt và kém Doubao ở khả năng hiểu âm thanh.

Ảnh trong thông cáo của Pandaily cho bài: MOSS-Live dẫn đầu sáu chỉ số song công nhưng kém GPT-Live-1 ở tác vụ nhiều lượt
Ảnh: Pandaily

MOSI Intelligence và nhóm OpenMOSS thuộc Đại học Fudan đã công bố một bản đánh giá chi tiết về MOSS-Live, hệ thống giọng nói thời gian thực song công toàn phần của họ, so sánh hệ thống này với GPT-Live-1 và GPT Realtime 2.1 của OpenAI, Doubao SeedDuplex của ByteDance cùng hai mô hình Qwen Audio 3.0. Bài đăng trên blog của OpenMOSS vào ngày 13/11 nêu rõ những điểm MOSS-Live dẫn đầu và những điểm còn tụt lại phía sau. Tất cả số liệu đều do nhà cung cấp công bố, và bài đăng lưu ý rằng quy mô mẫu, ước tính độ bất định và thiết lập thử nghiệm đầy đủ chưa được tiết lộ.

MOSS-Live đứng đầu ở cả sáu chỉ số song công toàn phần được báo cáo. Hệ thống phản hồi lại lời nói không hướng vào mình 2% số lần, so với 68% của GPT-Live-1 và 75% của Doubao SeedDuplex. Hệ thống cắt ngang khi người dùng tạm dừng 1,44% số lần, so với 10,37% và 14,29%. Hệ thống bỏ qua chính xác các ngắt lời không liên quan 68% số lần, so với 21% và 13%, đồng thời duy trì tiến trình qua các câu xác nhận ngắn như "mm-hmm" 98,17% số lần.

Các kết quả khác cho thấy sự đa dạng. Về khả năng sử dụng công cụ FDB v3, tỷ lệ thành công 51% của MOSS-Live ngang bằng với Doubao SeedDuplex ở vị trí dẫn đầu và vượt qua mức 45% của GPT-Live-1, nhưng độ trễ phản hồi 2,36 giây trong các kịch bản công cụ lại kém hơn mức 1,61 giây của GPT Realtime 2.1. Trên bộ đánh giá tác vụ nhiều lượt τ-Voice, hệ thống đạt 57,93%, xếp sau GPT-Live-1 ở mức 67,68% và vượt xa Doubao với 17,38%. Tỷ lệ nhường quyền phát biểu trong vòng hai giây là 52,49%, thấp hơn nhiều so với các mô hình Qwen Audio ở mức trên 93%. Về khả năng hiểu Big-Bench Audio, hệ thống đạt 88,40%, thấp hơn mức 90,50% của Doubao. Hệ thống đạt 3,35 trên 5 điểm về khả năng tuân thủ hướng dẫn nhiều lượt, so với 3,72 của GPT-Live-1, nhưng dẫn đầu về chất lượng câu trả lời sau khi bị ngắt lời ở mức 4,88.

MOSS-Live kết hợp một mô hình nền trước có nhiệm vụ lắng nghe, quản lý việc chuyển lượt và nói chuyện với một mô hình nền sau xử lý lập luận, gọi công cụ và các tác vụ dài hơn. Cả hai chia sẻ bộ nhớ, ngữ cảnh và trạng thái tác vụ thông qua một tầng điều phối, nhờ đó cuộc trò chuyện vẫn tiếp tục trong khi hệ thống chạy tìm kiếm khách sạn hoặc tác vụ khác. Hệ thống cũng hỗ trợ video trực tiếp, chia sẻ màn hình và phiên dịch phát trực tuyến.

Hệ thống có sẵn trong một môi trường thử nghiệm trực tuyến và thông qua API thời gian thực WebSocket dưới mã định danh mô hình moss-live-1.0. MOSI Intelligence, được ươm tạo bởi Viện Đổi mới Sáng tạo Thượng Hải và nhóm OpenMOSS, trước đó từng phát hành các mô hình MOSS-Image và MOVA.

Nguồn tin

Theo Pandaily — “MOSS-Live Leads Six Full-Duplex Voice Metrics but Trails GPT-Live-1 on Multi-Turn Tasks”, đăng 14/11/2026

Thẻ: moss-live, ai, giọng nói, công nghệ