1
00:00:00,000 --> 00:00:17,000
我們講的是一個Worthy Agent一個小案例。今天晚上我給大家講的這個Worthy Agent,它的最大的特點就是架構不同。我們採用的是稱之為叫三明治架構。

2
00:00:17,000 --> 00:00:18,560
讲到这个三明治架构

3
00:00:18,560 --> 00:00:19,900
我首先给你解释一下

4
00:00:19,900 --> 00:00:21,760
什么叫三明治架构

5
00:00:21,760 --> 00:00:23,340
那这里要讲到

6
00:00:23,340 --> 00:00:25,120
所有市面上的

7
00:00:25,120 --> 00:00:28,360
只要是涉及到语音制农体的

8
00:00:28,360 --> 00:00:29,960
三种主流价格

9
00:00:29,960 --> 00:00:31,260
OK

10
00:00:31,260 --> 00:00:33,500
从工程的实现角度啊

11
00:00:33,500 --> 00:00:35,680
我们把所有的语音制农体

12
00:00:35,680 --> 00:00:38,680
它底层的架构分成三个

13
00:00:38,680 --> 00:00:40,540
但我这个文档我不可以呢

14
00:00:40,540 --> 00:00:41,940
一个一个给大家说啊

15
00:00:41,940 --> 00:00:43,320
这个文档我们明天

16
00:00:43,320 --> 00:00:45,880
训练结束之后的时候会发啊

17
00:00:45,880 --> 00:00:46,400
包括代码

18
00:00:46,400 --> 00:00:47,220
包括代码也会发

19
00:00:47,220 --> 00:00:48,040
好

20
00:00:48,040 --> 00:00:49,300
我们继续讲

21
00:00:49,300 --> 00:00:50,620
第一种架构

22
00:00:50,620 --> 00:00:52,740
就是我今天晚上我要讲的三明治架构

23
00:00:52,740 --> 00:00:56,520
它采用的是STT加上大语言推定模型

24
00:00:56,520 --> 00:00:58,260
加上TTS模型

25
00:00:58,260 --> 00:00:59,780
你看很明显

26
00:00:59,780 --> 00:01:00,820
看到有个这么东西

27
00:01:00,820 --> 00:01:02,200
像一个三明治一样

28
00:01:02,200 --> 00:01:04,040
把一个东西夹在中间

29
00:01:04,040 --> 00:01:07,500
把Agent加上推定模型夹在中间

30
00:01:07,500 --> 00:01:07,900
对吧

31
00:01:07,900 --> 00:01:10,260
这个就是所谓三明治架构

32
00:01:10,260 --> 00:01:12,300
三明治架构什么好处

33
00:01:12,300 --> 00:01:13,880
稍等我等会把这个讲完

34
00:01:13,880 --> 00:01:15,920
第二种是原生

35
00:01:15,920 --> 00:01:19,560
原生实时的speed to speed的架构

36
00:01:19,560 --> 00:01:22,000
原来我用的就是speed to speed的架构

37
00:01:22,000 --> 00:01:22,540
再讲一次

38
00:01:22,540 --> 00:01:24,680
这个架构就是speed to speed的架构

39
00:01:24,680 --> 00:01:26,260
那这个特点呢

40
00:01:26,260 --> 00:01:27,500
就是你得找一个

41
00:01:27,500 --> 00:01:31,860
可以实时进行语音交付的多模态模型

42
00:01:31,860 --> 00:01:34,480
这一定要是实时的

43
00:01:34,480 --> 00:01:37,640
real time的一定是实时的

44
00:01:37,640 --> 00:01:41,260
如果你找的不是那种实时的多模态大模型

45
00:01:41,260 --> 00:01:41,600
不行

46
00:01:41,600 --> 00:01:43,820
但问题在于

47
00:01:43,820 --> 00:01:44,740
来了啊

48
00:01:44,740 --> 00:01:53,820
问题在于市面上现在很少有成熟稳定的知名的实时的多模态大模型

49
00:01:53,820 --> 00:01:55,880
包括国内包括国外

50
00:01:55,880 --> 00:01:58,980
很多人说老师不对啊

51
00:01:58,980 --> 00:02:00,100
那个那个

52
00:02:00,100 --> 00:02:06,340
那个质朴的质朴那个5.5.6 5.7

53
00:02:06,340 --> 00:02:09,320
我知道他是多模态的大模型

54
00:02:09,320 --> 00:02:11,980
他能够处理语音啊

55
00:02:11,980 --> 00:02:12,640
你要明白

56
00:02:12,640 --> 00:02:14,700
这个所说的多模特大模型

57
00:02:14,700 --> 00:02:18,980
它不单是输入是语音图片文字视频

58
00:02:18,980 --> 00:02:22,160
输出也是语音文字图片视频

59
00:02:22,160 --> 00:02:23,720
你要明白这一点

60
00:02:23,720 --> 00:02:26,880
对我们的语音这东西来说

61
00:02:26,880 --> 00:02:29,400
那输出也应该是语音

62
00:02:29,400 --> 00:02:31,580
所以实际上

63
00:02:31,580 --> 00:02:33,660
满足这个要求的

64
00:02:33,660 --> 00:02:36,220
目前我主流的那些大模型

65
00:02:36,220 --> 00:02:36,860
其实很少

66
00:02:36,860 --> 00:02:37,620
几乎没有

67
00:02:37,620 --> 00:02:39,840
目前我怎么没找到一个

68
00:02:39,840 --> 00:02:41,560
我给大家随便说几点

69
00:02:41,560 --> 00:02:43,140
这个稍微扩展一下好吧

70
00:02:43,140 --> 00:02:45,780
这个大家对模型的分类

71
00:02:45,780 --> 00:02:46,840
也一个最基本的了解

72
00:02:46,840 --> 00:02:48,400
这个所以我觉得也不是

73
00:02:48,400 --> 00:02:50,860
也不是这个扯淡

74
00:02:50,860 --> 00:02:53,120
应该是增加一下大家的知识面

75
00:02:53,120 --> 00:02:54,420
大家可以看到

76
00:02:54,420 --> 00:02:55,760
制谱里面也有

77
00:02:55,760 --> 00:02:56,680
签问里面也有

78
00:02:56,680 --> 00:02:59,420
包括国外的这个OpenAI的GPD5.6

79
00:02:59,420 --> 00:03:00,120
5.5

80
00:03:00,120 --> 00:03:01,100
很多同学说

81
00:03:01,100 --> 00:03:02,840
这不都是多模态大模型吗

82
00:03:02,840 --> 00:03:03,520
你要注意

83
00:03:03,520 --> 00:03:04,040
是的

84
00:03:04,040 --> 00:03:06,040
他们是确实实是多模态大模型

85
00:03:06,040 --> 00:03:08,060
但是这里面所说的多模态大模型

86
00:03:08,060 --> 00:03:10,680
跟我们讲的real time的多模态大模型

87
00:03:10,680 --> 00:03:12,900
多模态语音大模型还不一样

88
00:03:12,900 --> 00:03:14,200
不一样在哪里呢

89
00:03:14,200 --> 00:03:15,300
你看我们随便打开一个

90
00:03:15,300 --> 00:03:17,740
比如说假设我们很多人说

91
00:03:17,740 --> 00:03:19,160
老师你看这个5V

92
00:03:19,160 --> 00:03:21,040
质朴的5V

93
00:03:21,040 --> 00:03:23,140
或者是4.6V

94
00:03:23,140 --> 00:03:23,880
也无所谓了

95
00:03:23,880 --> 00:03:25,140
那你发现没有

96
00:03:25,140 --> 00:03:26,940
它最大的一个问题就在这

97
00:03:26,940 --> 00:03:31,200
我不知道大家看到了没有

98
00:03:31,200 --> 00:03:33,480
看到没

99
00:03:33,480 --> 00:03:35,380
它的输入没问题

100
00:03:35,380 --> 00:03:36,320
支持多模态的

101
00:03:36,320 --> 00:03:38,100
但是输出不支持多模态

102
00:03:38,100 --> 00:03:39,320
懂吗

103
00:03:39,320 --> 00:03:42,640
老师那他输出不知是多么

104
00:03:42,640 --> 00:03:47,640
他为什么就不能作为你刚刚所说的这个架构的一种模型呢

105
00:03:47,640 --> 00:03:53,080
因为语音制浓体它最重要的是实时性

106
00:03:53,080 --> 00:03:57,660
你不能说老师我语音制浓体简单

107
00:03:57,660 --> 00:03:59,720
我反正输的是语音

108
00:03:59,720 --> 00:04:02,780
最后生成的回复的也是语音就行了嘛

109
00:04:02,780 --> 00:04:03,860
没错

110
00:04:03,860 --> 00:04:05,740
确实没错

111
00:04:05,740 --> 00:04:07,660
大家讲这个是对的

112
00:04:07,660 --> 00:04:10,700
但是市面上的这个语音直农体

113
00:04:10,700 --> 00:04:12,580
跟真正意义上的

114
00:04:12,580 --> 00:04:14,100
我所说的语音直农体项目

115
00:04:14,100 --> 00:04:15,240
最大的一个问题

116
00:04:15,240 --> 00:04:18,120
就在于这个延迟性和实时性

117
00:04:18,120 --> 00:04:22,240
这个正要八经的语音直农体的延迟性

118
00:04:22,240 --> 00:04:23,520
你应该是感受不出来

119
00:04:23,520 --> 00:04:27,200
大概在零点二秒以内

120
00:04:27,200 --> 00:04:29,240
对大家听到这个词啊

121
00:04:29,240 --> 00:04:31,660
零点二秒以内

122
00:04:31,660 --> 00:04:33,660
让人类感受不出来

123
00:04:33,660 --> 00:04:36,900
那老师那那那叫你这么说

124
00:04:36,900 --> 00:04:38,500
我用质谱的这个5V

125
00:04:38,500 --> 00:04:39,740
他能感受得出来吗

126
00:04:39,740 --> 00:04:40,660
当然会

127
00:04:40,660 --> 00:04:42,420
好吧

128
00:04:42,420 --> 00:04:43,200
当然会

129
00:04:43,200 --> 00:04:45,080
如果你采用的是speed to speed的话

130
00:04:45,080 --> 00:04:45,800
他当然会

131
00:04:45,800 --> 00:04:46,080
为什么

132
00:04:46,080 --> 00:04:47,980
因为他输出的是文本

133
00:04:47,980 --> 00:04:50,040
你还需要再把文本变成什么

134
00:04:50,040 --> 00:04:51,380
变成语音

135
00:04:51,380 --> 00:04:54,260
对吧

136
00:04:54,260 --> 00:04:55,500
是不是

137
00:04:55,500 --> 00:04:56,420
好

138
00:04:56,420 --> 00:04:57,860
那还有棒连

139
00:04:57,860 --> 00:04:59,180
这个棒连

140
00:04:59,180 --> 00:05:00,580
这个棒连

141
00:05:00,580 --> 00:05:00,860
这个棒连

142
00:05:00,860 --> 00:05:00,900
这个棒连

143
00:05:06,900 --> 00:05:07,620
实时

144
00:05:07,620 --> 00:05:09,500
人生实时的一个特点

145
00:05:09,500 --> 00:05:10,440
好

146
00:05:10,440 --> 00:05:11,600
我讲完这个之后了

147
00:05:11,600 --> 00:05:13,160
当我这里没讲详细啊

148
00:05:13,160 --> 00:05:15,440
我重点是想谈两件事情

149
00:05:15,440 --> 00:05:17,120
第一件事情

150
00:05:17,120 --> 00:05:19,360
就你既然是一个智能体

151
00:05:19,360 --> 00:05:22,360
那么智能体得有循环迭代

152
00:05:22,360 --> 00:05:24,360
得有用户意图识别

153
00:05:24,360 --> 00:05:26,500
得有工具的调用

154
00:05:26,500 --> 00:05:27,840
skill的调用

155
00:05:27,840 --> 00:05:29,440
等等上下文管理

156
00:05:29,440 --> 00:05:30,900
你既然是个智能体

157
00:05:30,900 --> 00:05:32,760
你是不是这些都应该有

158
00:05:32,760 --> 00:05:34,560
没错吧

159
00:05:34,560 --> 00:05:35,740
好

160
00:05:35,740 --> 00:05:36,940
但问题在于

161
00:05:36,940 --> 00:05:40,660
如果你采用这种原生的实时的

162
00:05:40,660 --> 00:05:41,940
这种价格的方式的时候

163
00:05:41,940 --> 00:05:44,200
你发现你去找一个这样的模型

164
00:05:44,200 --> 00:05:45,300
可能能找到

165
00:05:45,300 --> 00:05:49,340
但是他对智能体的支持不是特别好

166
00:05:49,340 --> 00:05:51,100
他在智能体

167
00:05:51,100 --> 00:05:54,700
这个这种数据平台上的测试得分很低

168
00:05:54,700 --> 00:05:57,580
最近大家听到两个新闻

169
00:05:57,580 --> 00:06:01,380
第一个新闻是中国上海的一个模型

170
00:06:01,380 --> 00:06:04,360
叫来自于这个KIMI的K3

171
00:06:04,360 --> 00:06:04,920
是吧

172
00:06:04,920 --> 00:06:08,320
还有这个质朴的最新的5.2

173
00:06:08,320 --> 00:06:15,040
在国外所有这些非常知名的测试平台上

174
00:06:15,040 --> 00:06:18,120
得到的分数是非常接近于

175
00:06:18,120 --> 00:06:20,840
OpenAI的5.5对吧

176
00:06:20,840 --> 00:06:24,060
也非常接近于Antherapyc里面的

177
00:06:24,060 --> 00:06:28,460
各种4.6的这个这个Opus的4.6的这样的模型

178
00:06:28,460 --> 00:06:30,400
那大家最重要的你知道吗

179
00:06:30,400 --> 00:06:32,120
是看两个数据得分

180
00:06:32,120 --> 00:06:34,160
一个是什么数据

181
00:06:34,160 --> 00:06:35,940
一个是coding的数据

182
00:06:35,940 --> 00:06:37,360
一个是智能体的数据

183
00:06:37,360 --> 00:06:40,760
我不知道大家是否能听得懂我讲的话

184
00:06:40,760 --> 00:06:44,880
我这里面我今天没有准备好准备好那个图片

185
00:06:44,880 --> 00:06:49,320
我这个本来按道理说给大家要看那个图片的描述了

186
00:06:49,320 --> 00:06:51,000
我可能可能这个质谱里面

187
00:06:51,000 --> 00:06:52,180
这个摩塔社区里面有

188
00:06:52,180 --> 00:06:53,840
对摩塔社区里面有

189
00:06:53,840 --> 00:06:56,440
一般来说一个模型的新模型发布

190
00:06:56,440 --> 00:07:00,800
它都会有这样的一个各个数据平台的一个得分情况

191
00:07:00,800 --> 00:07:01,400
好吧

192
00:07:01,400 --> 00:07:03,380
我看一下有没有

193
00:07:03,380 --> 00:07:05,440
这个大家听懂的

194
00:07:05,440 --> 00:07:06,120
Q1啊

195
00:07:06,120 --> 00:07:09,060
就是任何一个牛逼的模型

196
00:07:09,060 --> 00:07:11,880
之所以在全国来说

197
00:07:11,880 --> 00:07:13,660
是比较高的一个

198
00:07:13,660 --> 00:07:15,740
比较比较高知名度的

199
00:07:15,740 --> 00:07:17,260
他有两个分数很重要

200
00:07:17,260 --> 00:07:18,360
一个是这个分数

201
00:07:18,360 --> 00:07:18,820
大家看

202
00:07:18,820 --> 00:07:20,080
这个分数

203
00:07:20,080 --> 00:07:21,500
好吧

204
00:07:21,500 --> 00:07:24,700
还有一个是关于coding的那个分数

205
00:07:24,700 --> 00:07:25,860
但最正的是这个

206
00:07:25,860 --> 00:07:28,580
大家为什么要重点看这个指标吗

207
00:07:28,580 --> 00:07:31,040
看这个基准测试的数据

208
00:07:31,040 --> 00:07:33,280
这个基准测试的数据集的测试结果

209
00:07:33,280 --> 00:07:34,720
测试结果的分数吗

210
00:07:34,720 --> 00:07:35,900
为什么大家看这个

211
00:07:35,900 --> 00:07:36,480
大家知道不

212
00:07:36,480 --> 00:07:38,140
就不用我再说了吧

213
00:07:38,140 --> 00:07:40,160
好吧

214
00:07:40,160 --> 00:07:42,040
大家为什么要看这个指标

215
00:07:42,040 --> 00:07:43,680
其他的不看

216
00:07:43,680 --> 00:07:47,060
或者其他的很少看

217
00:07:47,060 --> 00:07:48,520
不是完全不看啊

218
00:07:48,520 --> 00:07:51,060
其实我们跟国外的模型比较

219
00:07:51,060 --> 00:07:53,320
重要的就比较两个最重要的指标

220
00:07:53,320 --> 00:07:55,420
一个是这个智能体的分数

221
00:07:55,420 --> 00:07:56,380
智能体的能力

222
00:07:56,380 --> 00:07:58,200
智能体的准确性的能力

223
00:07:58,200 --> 00:07:59,860
还有一个是一个coding能力

224
00:07:59,860 --> 00:08:00,440
就这两个

225
00:08:01,244 --> 00:08:12,564
你发现,你像DeepSync V4,Flash 0731,这个正式版,你发现他是不是非常接近于Opus Anthropic的Opus 4.8,对吧?

226
00:08:12,564 --> 00:08:14,324
没错吧

227
00:08:14,324 --> 00:08:17,444
所以我们国外也好

228
00:08:17,444 --> 00:08:17,944
国内也好

229
00:08:17,944 --> 00:08:18,644
大家都知道

230
00:08:18,644 --> 00:08:22,504
这个DeepSync V4的正式版本

231
00:08:22,504 --> 00:08:25,144
好像跟这个Opus 4.8

232
00:08:25,144 --> 00:08:25,684
是相接近

233
00:08:25,684 --> 00:08:26,764
其实不单是DeepSync

234
00:08:26,764 --> 00:08:29,064
还有那个刚刚我说的Kimin的Key3

235
00:08:29,064 --> 00:08:31,184
以及智朴的最新发布的那个模型

236
00:08:31,184 --> 00:08:31,724
是吧

237
00:08:31,724 --> 00:08:32,644
对吧

238
00:08:32,644 --> 00:08:35,144
那我那老师你讲这话什么意思呢

239
00:08:35,144 --> 00:08:36,504
是这样子的

240
00:08:36,504 --> 00:08:37,744
就是你的智能

241
00:08:37,744 --> 00:08:41,424
你要你要想作为智能体的核心推敌模型

242
00:08:41,424 --> 00:08:43,384
那么你一定要找

243
00:08:43,384 --> 00:08:45,144
你一定要去找

244
00:08:45,144 --> 00:08:48,664
这个分数比较高的那些模型

245
00:08:48,664 --> 00:08:51,364
懂意思吧

246
00:08:51,364 --> 00:08:52,284
现在我明白了吗

247
00:08:52,284 --> 00:08:54,224
那么这个分数比较高的那些模型

248
00:08:54,224 --> 00:08:54,864
都是什么

249
00:08:54,864 --> 00:08:55,464
这个

250
00:08:55,464 --> 00:08:56,444
这个

251
00:08:56,444 --> 00:08:57,384
这个

252
00:08:57,384 --> 00:08:58,064
这个

253
00:08:58,064 --> 00:08:58,564
是吧

254
00:08:58,564 --> 00:09:00,284
当然还有这个OpenAI的

255
00:09:00,284 --> 00:09:02,184
这个GPT5.5 5.6

256
00:09:02,184 --> 00:09:02,844
那个

257
00:09:02,844 --> 00:09:03,384
那个

258
00:09:03,384 --> 00:09:03,704
那个

259
00:09:03,704 --> 00:09:05,264
他没列在这里头

260
00:09:05,264 --> 00:09:06,544
对吧

261
00:09:06,544 --> 00:09:07,484
哦

262
00:09:07,484 --> 00:09:08,104
明白了

263
00:09:08,104 --> 00:09:09,504
老师少说大概你懂意思了

264
00:09:09,504 --> 00:09:09,964
就是说

265
00:09:09,964 --> 00:09:12,904
我如果要开发一个流逼的智能体

266
00:09:12,904 --> 00:09:15,604
那我智能体里面的核心推理模型

267
00:09:15,604 --> 00:09:17,444
和核心的意图识别模型

268
00:09:17,444 --> 00:09:18,944
得是很强的

269
00:09:18,944 --> 00:09:20,904
而且怎么证明它强

270
00:09:20,904 --> 00:09:22,204
就是看这个模型

271
00:09:22,204 --> 00:09:26,644
在这个数据级上的基准测试的得分来判断的

272
00:09:26,644 --> 00:09:27,344
是吧

273
00:09:27,344 --> 00:09:27,864
是的

274
00:09:27,864 --> 00:09:28,904
没错是这个意思

275
00:09:28,904 --> 00:09:29,384
好

276
00:09:29,384 --> 00:09:31,004
接下来我再讲另外一句话

277
00:09:31,004 --> 00:09:31,564
好

278
00:09:31,564 --> 00:09:33,684
那有一些

279
00:09:33,684 --> 00:09:37,024
有一些全模态的大模型

280
00:09:37,024 --> 00:09:41,764
他虽然也能够支持语音的输入

281
00:09:41,764 --> 00:09:43,904
同时也支持语音的输出

282
00:09:43,904 --> 00:09:46,084
但问题在于

283
00:09:46,084 --> 00:09:50,144
他在这个数据级的基准测试的得分

284
00:09:50,144 --> 00:09:52,864
是非常非常的低的

285
00:09:52,864 --> 00:09:54,124
举个例子

286
00:09:54,124 --> 00:09:56,944
比如说像全模态大模型

287
00:09:56,944 --> 00:09:57,964
有一个

288
00:09:57,964 --> 00:10:00,704
就是我们经常讲的

289
00:10:00,704 --> 00:10:02,364
签文里面有一个

290
00:10:02,364 --> 00:10:04,384
稍等啊

291
00:10:04,384 --> 00:10:05,004
搜索一下

292
00:10:05,004 --> 00:10:07,064
看是能搜到啊

293
00:10:07,064 --> 00:10:08,244
这个搜索框去了

294
00:10:08,244 --> 00:10:17,604
这个

295
00:10:17,604 --> 00:10:19,384
好吧

296
00:10:19,384 --> 00:10:23,604
这就是千万里面一个非常典型的全模态大模型

297
00:10:23,604 --> 00:10:25,184
什么叫全模态大模型呢

298
00:10:25,184 --> 00:10:26,064
就是

299
00:10:26,064 --> 00:10:28,824
这个网页打不开啊

300
00:10:28,824 --> 00:10:31,124
就是他输入的可以是语音

301
00:10:31,124 --> 00:10:32,784
然后他可以思考

302
00:10:32,784 --> 00:10:33,504
思考完之后

303
00:10:33,504 --> 00:10:34,624
它输出的结果

304
00:10:34,624 --> 00:10:35,424
也可以是语音

305
00:10:35,424 --> 00:10:36,624
也可以是文字

306
00:10:36,624 --> 00:10:37,784
语音文字都支持

307
00:10:37,784 --> 00:10:38,744
那这种模型

308
00:10:38,744 --> 00:10:39,944
是不是非常适合

309
00:10:39,944 --> 00:10:40,704
我们做这种

310
00:10:40,704 --> 00:10:42,544
这个语音的智能体

311
00:10:42,544 --> 00:10:42,844
是的

312
00:10:42,844 --> 00:10:44,144
非常适合的

313
00:10:44,144 --> 00:10:45,224
但问题在于

314
00:10:45,224 --> 00:10:46,184
这样的模型

315
00:10:46,184 --> 00:10:47,544
它在智能体

316
00:10:47,544 --> 00:10:50,264
这个数据级上的评测得分

317
00:10:50,264 --> 00:10:52,084
是远远低于

318
00:10:52,084 --> 00:10:53,104
大家看到的

319
00:10:53,104 --> 00:10:56,044
这些主流的推定模型

320
00:10:56,044 --> 00:10:59,084
现在明白意思吧

321
00:10:59,084 --> 00:11:00,324
所以

322
00:11:00,324 --> 00:11:04,364
在实际的企业开发过程中

323
00:11:04,364 --> 00:11:07,024
如果要做一个语音模型

324
00:11:07,024 --> 00:11:09,944
你又想要保证实时性

325
00:11:09,944 --> 00:11:15,784
你又想保证我这个智能体核心的推理模型和意图识别模型

326
00:11:15,784 --> 00:11:17,304
是很好的模型

327
00:11:17,304 --> 00:11:18,324
是很牛的模型

328
00:11:18,324 --> 00:11:22,264
那这两个要求都要满足

329
00:11:22,264 --> 00:11:23,504
说实话

330
00:11:23,504 --> 00:11:25,644
很难有完美的方案

331
00:11:25,644 --> 00:11:31,044
所以为了同时满足这两个要求

332
00:11:31,044 --> 00:11:34,844
我们今天重新

333
00:11:34,844 --> 00:11:37,184
根据当了我前两天也是看到网上论文

334
00:11:37,184 --> 00:11:38,364
根据网上论文

335
00:11:38,364 --> 00:11:40,024
我构建了一个新的方案

336
00:11:40,024 --> 00:11:41,904
叫三明治方案

337
00:11:41,904 --> 00:11:43,504
那三明治方案它的区别是

338
00:11:43,504 --> 00:11:44,824
它的特点是什么呢

339
00:11:44,824 --> 00:11:47,604
就是重点放在智能体这一块

340
00:11:47,604 --> 00:11:49,484
智能体的核心推理模型

341
00:11:49,484 --> 00:11:51,044
我还是使用这些像

342
00:11:51,044 --> 00:11:52,804
DeepSync V4的正式版

343
00:11:52,804 --> 00:11:55,184
或者Opus的4.8

344
00:11:55,184 --> 00:11:57,904
或者是OpenAI的5.6

345
00:11:57,904 --> 00:11:59,024
5.5这样的模型

346
00:11:59,024 --> 00:12:01,204
或者是质朴的

347
00:12:01,204 --> 00:12:02,544
对吧最新的模型

348
00:12:02,544 --> 00:12:04,824
好然后呢

349
00:12:04,824 --> 00:12:05,484
但这两个

350
00:12:05,484 --> 00:12:08,524
他在智能体这方面

351
00:12:08,524 --> 00:12:09,584
在智能体这个

352
00:12:09,584 --> 00:12:13,244
这个基准测试数据上表现分数非常高

353
00:12:13,244 --> 00:12:14,844
对吧还不错非常好

354
00:12:14,844 --> 00:12:18,684
可是问题是他对语音的输入和输出

355
00:12:18,684 --> 00:12:19,484
不是特别支持

356
00:12:19,484 --> 00:12:20,684
对吧

357
00:12:20,684 --> 00:12:23,164
所以就有一个这么一个矛盾点

358
00:12:23,164 --> 00:12:23,844
那怎么办呢

359
00:12:23,844 --> 00:12:25,104
我在它的前面

360
00:12:25,104 --> 00:12:26,484
加上一个STD模型

361
00:12:26,484 --> 00:12:27,204
我在它的后面

362
00:12:27,204 --> 00:12:28,364
加上一个TTS模型

363
00:12:28,364 --> 00:12:29,504
把它夹到中间

364
00:12:29,504 --> 00:12:30,544
就称之为这样

365
00:12:30,544 --> 00:12:31,484
三米之架构

366
00:12:31,484 --> 00:12:32,864
现在我应该讲清楚了