返回资讯中心
外部精选
软件工程
#开发者实时流

Avartha 发布开源语音模型 Ava Zero1,任务完成率超越 OpenAI、Google 和 xAI

来源标题:Avartha: Fastest open-weight frontier voice AI beats OpenAI, Google, and xAI

Avartha 推出完全基于开源模型构建的实时语音 AI 模型 Ava Zero1,在 Sierra 的 τ³-Voice 基准测试中任务完成率排名第一,超过 OpenAI、Google 和 xAI。该团队称其目标是让开发者不必再为响应速度牺牲模型能力。

Hacker News 最新rajveerb2026/11/1 · 16 天前17 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

Blog推出 Avartha:实时 AI Agent 工厂 Avartha 团队2026年10月29日4 分钟阅读 今天,我们非常兴奋地宣布 Avartha。我们正在构建基础设施,用你掌控的开放模型,把前沿级智能带入实时应用。

Siri 在 2011 年发布时承诺帮助用户“只需开口,就能把事情办成”。我们想要的 AI 是真正能兑现这一承诺的,而不只是听起来不错。如今我们已经有能写软件、能推理复杂问题的模型,但构建语音 agent 的开发者不得不用能力换取响应速度。即便到了 2026 年中,GPT-4.1 仍然是构建语音 AI 应用最流行的模型,原因很简单:它是唯一一个广泛可用、延迟低于 1 秒的模型 [5]。

我们相信,语音将成为未来整个计算领域的主导交互界面,而我们要构建的语音 agent 应当运行在 AI 能力的前沿,并且配得上其用户的智识。朝着这个目标的第一步,我们发布 Ava Zero1。Ava 完全构建在开放模型之上,在 Sierra 的 τ³-Voice 基准测试中任务完成率排名第一。τ³-Voice 测试的是 agent 能否在真实世界条件下准确推理,并执行长程、多步的任务轨迹。Ava 在六种语言中完成了 86.0% 的任务,领先于 OpenAI 的 GPT Live 1(79.9%)、xAI 的 Grok(71.4%)和 Google 的 Gemini(68.5%),并且生成质量最高。开放模型如今已站在语音 AI 的前沿。

在编码和聊天机器人这类传统 AI 应用中,延迟影响的是用户体验,而不是结果;一个慢吞吞的答案仍然可以是正确的。但在实时应用中,按时完成本身就是完成任务的一部分。因此,应用的能力受限于能装进其延迟预算的模型。我们认为,构建既正确又快速的实时 agent 本质上是一个基础设施挑战,需要超低延迟推理和高尾部可靠性。

如今,agent 基础设施分散在 agent harness 平台和推理提供商之间。这两层由不同团队各自独立构建,再用狭窄的接口拼接起来。这种接口边界会同时损害性能和效率,过去关于数据库 [1] 和操作系统 [2–4] 的研究已经表明了这一点。与之相反,我们将整个实时 agent 基础设施——从 harness 到内核——作为一个系统协同设计,针对端到端任务性能进行优化:一座全栈 agent 工厂。

协同设计的推理与 harnessAvartha前沿模型,实时运行前沿模型对编码 agent 来说没问题:没人在意 30 秒小、快的模型装得进预算,但能力有限 ~1 秒延迟 → 图 2. 实时负载需要既快又准确的系统。我们协同设计了整个 agent 基础设施,在实时延迟预算内交付前沿级智能。

我们从第一性原理出发,从零构建了推理引擎,为语音 AI 应用带来最佳的性能和效率。由于我们深入理解自己应用的行为特征,我们得以抛弃通用化的假设,以充分利用该负载特定特性的方式来设计系统的每一个组件。在严格的延迟约束下,我们在文本转语音、语音转文本和语言模型上,单 GPU 支持的并发对话数可达 vLLM 和 SGLang 的一个数量级以上。这让我们能够用 GLM-5.3 这样的前沿级模型来驱动语音 agent,同时不牺牲延迟,而业界其他公司仍在用小一个数量级的模型运作。

一个直接的成果是,我们得以彻底重新构想语音 agent harness 的运作方式,并以能充分利用我们手中智能的方式来构建它。我们提交到 τ³-Voice 排行榜的 Ava 组合使用了 Qwen3-ASR 做转写、Fish Audio Drama 3 做语音生成、GLM-5.3 作为锚点模型、DeepSeek 4.1 Flash 负责后端 worker。

我们还能够把我们技术栈的效率转化为给消费者的更优价格。Ava 的对话成本仅为每小时 2.50 美元,是可比的闭源方案成本的一半到三分之一。

Avartha 从 Georgia Tech 的 Systems for AI Lab 分拆而来。我们的团队提出了若干塑造现代推理栈的最基础技术。我们几个人共同创造了 chunked prefills(所有主流推理系统的默认调度算法)、Ray、KV-cache parallelism 和 chunked pipeline parallelism。我们还构建了最流行的推理模拟器,并开创了一种无 GPU 推理仿真技术,以实现快速而准确的部署优化和 agent 开发循环。

我们相信,“一刀切”这个理念的时来运转已经过去。下一代推理基础设施将按负载高度特化,而我们致力于为实时应用构建最好的系统。

我们的使命是让实时 AI 更有能力、更快、更可靠。我们正在努力推动语音系统的边界,解决开放问题,包括多说话人对话和个性化。往大了看,我们相信实时智能系统将重塑我们的物理世界,我们致力于构建前沿级基础设施,让开放模型在各模态中都保持领先。

我们正在招聘卓越的构建者,他们愿意攻克艰难的系统与机器学习问题,并把想法交到开发者手中。查看我们的开放职位。

Ava 代表 Avartha Voice Agent,如果你想知道的话。 ↩︎

Michael Stonebraker. Operating System Support for Database Management. Communications of the ACM, 24(7), pp. 412–418, 1981.

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →