Por Canuto  

Tencent presentó Gander, un modelo de inteligencia artificial diseñado para conversar en tiempo real mientras ejecuta tareas complejas en segundo plano. El sistema combina un módulo conversacional rápido con un agente de razonamiento intercambiable, aunque sus primeras pruebas muestran que mantener una charla fluida todavía puede costarle precisión en tareas y comprensión multimodal.
***

  • Gander procesa voz, imágenes y texto de manera simultánea, y permite que los usuarios lo interrumpan durante una tarea.
  • Su arquitectura separa un “cerebelo” conversacional de un “cerebro” encargado del razonamiento y la ejecución en segundo plano.
  • El modelo interrumpió menos que sus competidores en las pruebas, pero obtuvo resultados inferiores en precisión, audio y video.


Tencent presentó Gander, un modelo de inteligencia artificial que intenta resolver una de las tensiones más visibles de los asistentes conversacionales: responder con rapidez sin abandonar las tareas que requieren planificación. El sistema puede mantener una conversación en tiempo real mientras busca archivos, corrige código o espera información específica, según el equipo de Hunyuan Speech y varios investigadores universitarios. Gander procesa voz, imágenes y texto de manera simultánea, y permite que el usuario intervenga en cualquier momento sin reiniciar el trabajo que ya está en curso.

La propuesta busca acercar la interacción con una máquina a una conversación humana, donde las personas se interrumpen, agregan instrucciones y ofrecen retroalimentación mientras la otra parte continúa escuchando. A diferencia de muchos asistentes de voz, que alternan estrictamente entre escuchar y responder, Gander intenta interpretar entradas continuas de audio, video y texto incluso mientras habla. El modelo también puede formular preguntas de seguimiento o entregar actualizaciones de progreso sin esperar una nueva orden explícita.

Una arquitectura dividida para evitar las pausas

La arquitectura de Gander separa la conversación inmediata de las tareas que necesitan más razonamiento. Sus creadores describen el primer componente como un “cerebelo”, encargado de decidir segundo a segundo si debe escuchar, hablar o detenerse, mientras un “cerebro” se ocupa de planificar y ejecutar operaciones complejas en segundo plano. La metáfora anatómica resume una decisión de diseño: un único modelo no tendría que sacrificar velocidad conversacional para completar procesos más lentos.

El “cerebro” no está atado a un modelo específico, ya que puede sustituirse por distintos sistemas de agentes sin reentrenar el componente dedicado al diálogo. En las pruebas mencionadas en el informe técnico, ese papel lo desempeñó un modelo no especificado de la familia GPT-5.6 de OpenAI, aunque la arquitectura también contempla herramientas como Codex o Claude Code. Con este enfoque, una mejora en el sistema de razonamiento podría beneficiar a Gander sin modificar toda la capa conversacional.

Mientras el agente de fondo trabaja, el usuario puede formular nuevas preguntas o ampliar el alcance de una instrucción, como pedir que un error se corrija y añadir compatibilidad con Python 3.12. Esa continuidad pretende eliminar el silencio que suele aparecer cuando un asistente busca información, manipula documentos o escribe código. Para un sistema de voz, reducir esos momentos muertos puede ser tan importante como aumentar la capacidad de razonamiento, porque una respuesta técnicamente correcta pierde utilidad si llega demasiado tarde.

Gander divide la conversación en segmentos de un segundo y utiliza aproximadamente los dos minutos más recientes como memoria operativa. El sistema decide cuándo comienza a escuchar y cuándo debe ceder el turno sin depender de un módulo separado para detectar el inicio y el final del habla, una elección que busca coordinar mejor las interrupciones. Ese mecanismo también explica por qué la experiencia depende tanto del ritmo: una decisión equivocada puede hacer que la IA hable encima del usuario o permanezca callada cuando debería responder.

Menos interrupciones, pero una precisión todavía limitada

En Full-Duplex-Bench v3, una prueba para asistentes de voz en distintos escenarios, Gander obtuvo el mejor resultado de ritmo entre los sistemas comparados. El modelo comenzó a hablar en el momento adecuado en los 100 escenarios evaluados y, de acuerdo con el informe, interrumpió a los usuarios en 8% de los casos. GPT-Realtime registró 13,5%, mientras que el competidor con peor desempeño se acercó a 48%, una diferencia que muestra el valor de controlar el turno de palabra.

Ese desempeño no se trasladó por completo a la precisión de las tareas, donde Gander quedó ligeramente por debajo incluso del competidor más débil. Los investigadores atribuyen parte de la diferencia a que la prueba mide el sistema completo y, por tanto, penaliza errores de reconocimiento de voz y de generación de respuestas. Cuando el agente recibe texto directamente, su rendimiento mejora de forma considerable, lo que sugiere que la interacción multimodal todavía introduce puntos de fallo adicionales.

La comprensión de audio y video representa otra debilidad identificada durante las evaluaciones. En una de las pruebas, Gander obtuvo un resultado inferior al de su modelo base en tareas como contar objetos o ubicarlos dentro de una imagen, una caída que el equipo relaciona con el entrenamiento priorizado hacia la fluidez conversacional. El sistema parece haber aprendido a sostener un diálogo más natural, pero ese objetivo pudo competir con la necesidad de percibir con precisión lo que ocurre en una escena.

El resultado plantea un desafío habitual para los agentes multimodales: escuchar, interpretar, planificar y responder en tiempo real exige equilibrar objetivos que no siempre apuntan en la misma dirección. Un asistente que interrumpe demasiado puede frustrar al usuario, pero uno que espera demasiado también puede parecer lento o desconectado. Las pruebas de Gander muestran que mejorar una dimensión, en este caso el ritmo conversacional, no garantiza avances equivalentes en la ejecución de tareas.

Un proyecto abierto en un mercado de agentes

Gander fue entrenado con aproximadamente 2,7 millones de ejemplos, incluidos casos en los que debía permanecer en silencio ante ruido de fondo o cuando nadie dentro de un grupo le hablaba. El equipo considera que el trabajo todavía se encuentra en una etapa temprana y reconoce que escalar el sistema seguirá siendo una pregunta abierta. También señala que aún no existe un estándar específico para evaluar modelos capaces de conversar mientras ejecutan procesos en segundo plano.

Tencent planea publicar los pesos del modelo y los datos de entrenamiento cuando complete el proceso de lanzamiento de código abierto. Por ahora, el proyecto cuenta con un repositorio en GitHub que incluye el código y demostraciones disponibles en la página correspondiente. La publicación de esos recursos permitiría a otros investigadores examinar la arquitectura, repetir las evaluaciones y probar diferentes modelos de razonamiento como componente intercambiable.

La presentación de Gander llega después de que Tencent lanzara en julio Hy3, un modelo de lenguaje abierto que, según la información disponible, redujo la distancia frente a sus rivales especialmente en tareas de agente. Tencent informó que Hy3 ya fue adoptado en productos y servicios como WorkBuddy, CodeBuddy, Yuanbao, Marvis e ima.

La estrategia de dividir conversación y razonamiento también aparece en otros proyectos del sector. GPT-Live de OpenAI deriva búsquedas web y tareas de agente a un modelo que trabaja en segundo plano, mientras el chat continúa; Fugu, de Sakana AI, llama a otros modelos desde un grupo ampliable. OpenAI además prueba agentes proactivos capaces de crear tareas de seguimiento y contactar al usuario sin una solicitud previa, aunque la latencia y el manejo de interrupciones siguen siendo obstáculos prácticos.

Un análisis de Anthropic encontró que los usuarios experimentados interrumpen a Claude Code en aproximadamente 9% de los pasos de trabajo, frente a cerca de 5% entre principiantes. Esa diferencia indica que la interrupción no depende únicamente del modelo, sino también de la experiencia del usuario y de la complejidad del flujo de trabajo. Una encuesta citada en el informe señala, además, que los equipos que desarrollan agentes conversacionales de voz y chat reportan problemas de latencia con especial frecuencia.

Gander ofrece así una apuesta concreta por asistentes que no obliguen a elegir entre conversar y trabajar, pero sus primeras mediciones dejan claro que la fluidez no resuelve por sí sola el problema de la confiabilidad. Tencent tendrá que mejorar la percepción de audio y video, la precisión de las tareas y la evaluación de sistemas de este tipo antes de convertir la demostración en una herramienta generalizada.


Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín