PolyAI ने Dialog-RSN-1 लॉन्च किया: ऑडियो-नेटिव डायलॉग मॉडल जो टर्न-टेकिंग, स्पीच रिकग्निशन, फंक्शन कॉलिंग और रिस्पॉन्स जनरेशन को जोड़ता है

PolyAI ने Dialog-RSN-1 पेश किया है, एक डायलॉग मॉडल जो कॉल करने वाले का ऑडियो सीधे समझता है, न कि ट्रांसक्रिप्ट पढ़ता है। यह टर्न-प्रबंधन, भाषण पहचान, फ़ंक्शन कॉलिंग और प्रतिक्रिया निर्माण को एक ही ऑडियो-नेटिव मॉडल में जोड़ता है और पहले से ही लाइव प्रोडक्शन कॉल संभाल रहा है। मॉडल का इनपुट ऑडियो है, लेकिन TTS अलग रहता है, जिससे आवाज़ पर नियंत्रण संभव होता है। मॉडल अनुरोध पर काम करता है, न कि निरंतर स्ट्रीम के रूप में, जिससे GPU पर लगातार लोड नहीं पड़ता। पहला आउटपुट टोकन टर्न निर्णय होता है: EMPTY, ONGOING या COMPLETE। PolyAI का दावा है कि प्रतिक्रिया समय 300 मिलीसेकंड से कम है, रेस्तरां समूह में सापेक्ष सुधार 11% है, और बीमाकर्ता के साथ विलंबता में 37% की कमी आई है। मॉडल केवल PolyAI प्लेटफ़ॉर्म के माध्यम से उपलब्ध है, बिना खुले वज़न और सार्वजनिक API के, अंग्रेजी में। आर्किटेक्चर में खुले-वज़न वाले मल्टीमॉडल मॉडलों का पोस्ट-प्रशिक्षण शामिल है, जिसमें नियंत्रित और सुदृढीकरण-सीखने वाली फाइन-ट्यूनिंग का उपयोग उनके स्वयं के डेटा पर किया जाता है। PolyAI ने Gemma, GPT-OSS, Qwen और Mistral का मूल्यांकन किया। विलंबता अनुकूलन में ध्यान कैश का प्री-फ़िलिंग, अतिरिक्त प्रॉम्प्ट टेम्पलेट, प्रत्येक कॉल करने वाले को समान GPU पर रूट करना, औसत 3.9 टोकन स्वीकृति के साथ सट्टा ड्राफ्टिंग, और RFT के दौरान सीखा गया ऑटो-रिज़निंग शामिल है। ट्रांसक्रिप्शन अंतिम चरण में, भाषण निर्माण के समानांतर किया जाता है। PolyAI ने अपने आंतरिक बेंचमार्क Dialog-Eval पर मॉडल का मूल्यांकन किया, जिसे वे खोलने की योजना बना रहे हैं। गैर-अंग्रेज़ी भाषाओं के लिए, Raven 3.5 की सिफारिश की जाती है। तकनीकी रिपोर्ट और Dialog-Eval पर एक पेपर की योजना बनाई गई है।