PolyAI Dialog-RSN-1'i Tanıttı: Konuşma Yönetimi, Konuşma Tanıma, Fonksiyon Çağırma ve Yanıt Üretimini Birleştiren Ses-Yerli Diyalog Modeli

PolyAI, Dialog-RSN-1'i tanıttı: arayanın sesini doğrudan algılayan, transkript okuyan bir diyalog modeli değil. Bu model, replik yönetimi, konuşma tanıma, fonksiyon çağırma ve yanıt üretimini tek bir ses-yerli modelde birleştiriyor ve şimdiden canlı üretim çağrılarını işliyor. Modelin girdisi ses, ancak metin-konuşma (TTS) ayrı tutuluyor, bu da ses üzerinde kontrol sağlıyor. Model sürekli bir akış yerine istek üzerine çalışıyor, bu da GPU'yu sürekli meşgul etmiyor. İlk çıktı token'ı replik kararı: EMPTY, ONGOING veya COMPLETE. PolyAI, 300 ms'nin altında yanıt süresi, restoran grubunda %11 göreceli sürdürme (containment) iyileştirmesi ve bir sigorta şirketinde %37 gecikme azalması bildiriyor. Model yalnızca PolyAI platformu üzerinden erişilebilir; açık ağırlıklar ve genel API yok, İngilizce. Mimari, açık ağırlıklı çok modlu modellerin, kendi verileri üzerinde denetimli ve pekiştirmeli ince ayar kullanılarak sonradan eğitilmesini içeriyor. PolyAI, Gemma, GPT-OSS, Qwen ve Mistral'ı değerlendirdi. Gecikme optimizasyonu, dikkat önbelleğinin ön doldurulması, eklemeli (append) prompt şablonu, her arayanı aynı GPU'ya yönlendirme, ortalama 3.9 token kabulüyle spekülatif taslak (drafting) ve RFT sırasında öğrenilen otomatik akıl yürütmeyi içeriyor. Transkripsiyon, konuşma üretimiyle paralel olarak en sonda yapılıyor. PolyAI, modeli açmayı planladığı dahili Dialog-Eval kıyaslama setinde değerlendirdi. İngilizce dışındaki diller için Raven 3.5 öneriliyor. Dialog-Eval hakkında teknik rapor ve makale planlanıyor.