让机器人回答“杯子在哪里”，和让它在递杯子时听懂“等一下，换那个”，是两种不同的交互要求。前者可以是一问一答；后者需要持续更新对人的理解，同时知道任务已经进行到哪里。
机器人交互模型关注人与系统之间持续发生的交流：理解当前情境，判断何时回应，并让表达与任务进度保持一致。 在本文中，它是一类能力的概括，不是一套行业统一的模型接口，也不等于某个已经开放的机器人产品。
机器人交互模型与聊天模型有什么不同？
聊天记录通常按消息排列，真实场景却不会等一条消息处理完才继续发生。用户可能改口、指向另一个物体，也可能在机器人说话时离开。交互系统要面对这些变化，不能只生成一段听起来合理的回答。
以展厅讲解为例：机器人正在介绍展品，访客问“旁边那个呢？”系统需要识别新的关注对象，处理当前播报，并调整讲解任务。如果现场还有其他人说话，还需要判断这句话是否在对机器人说。这是说明交互需求的例子，不是具体产品功能演示。
语音、视觉、决策与控制分别负责什么？
| 能力 | 常见输入与输出 | 在交互中的职责 |
|---|---|---|
| 语音识别与生成 | 音频、文本与语音 | 处理说了什么、如何说出来 |
| 视觉语言理解 | 图片、视频与描述 | 理解物体、场景和指代 |
| 轮次与打断判断 | 对话音频和时间信息 | 判断接话、继续听或让出话语权 |
| 任务与决策 | 上下文、候选动作、任务状态 | 确定下一步应该做什么 |
| 机器人运动控制 | 目标、传感器状态和动作指令 | 在设备约束内执行运动 |
这些能力可以由多个组件配合，也可以在模型中联合学习。评估时，应分别检查其输入输出契约，再检查它们组合起来能否完成任务。能生成语音，不自动意味着能持续理解视觉；能选择动作，也不意味着已经具备可靠的运动执行能力。
为什么交互需要任务状态和记忆？
“继续刚才的事”只有放在具体经历中才有意义。系统至少要知道先前的目标、已经完成的步骤、正在等待的外部结果，以及哪些要求已经被用户修改。
可以用一条简单的任务记录来理解这个过程：当前目标是介绍展品 A，正在播放第二段说明；新指令要求改为展品 B，于是旧目标被替换，尚未播放的内容作废。这里的重点是状态是否更新一致，而不是让模型记住尽可能长的聊天文本。
长期记忆还需要处理时间有效性和使用范围。用户上次的偏好可以帮助个性化，但不应无条件覆盖本次明确指令。测评应包含更正旧信息、临时偏好和多人身份变化等情况。
如何判断机器人交互是否自然？
只检查回答内容是不够的。建议用可重复的场景观察以下几项：
- 接话时机：是否把用户的句中停顿当成结束？
- 修改目标：用户改口后，是否仍继续执行旧计划？
- 状态一致：口头说“已停止”时，播放与任务是否真的停止？
- 多人情境：旁人的对话是否导致错误唤起或错误切换对象？
- 恢复能力：被打断后，是否知道应该继续、重做还是询问？
这些指标应与任务成功率一起报告。一个回答很流畅、却反复遗漏目标更正的系统，仍然可能给使用者带来很大负担。
Surd AI 与 Simplex 的研究方向
Surd AI 的公开研究方向覆盖实时交互、社会感知、多模态记忆与决策。Simplex SA0 的公开介绍将语音、动作、表达、记忆和工具使用放在持续交互的框架下；截至本文整理日期，SA0 仍为研究预览，尚未作为公开交互模型 API 上线。Surd AI 研究方向 · SA0 研究预览
当前可以体验的 Simplex CD 是结构化决策 API。开发者可以用它评估文字或图片上下文中的候选选择，但这一能力只是交互系统可能使用的一个环节，不能等同于完整机器人交互模型。Simplex CD 介绍
常见问题
机器人交互模型就是具身大模型吗？
两者有交集，但范围不完全一致。“具身”通常强调智能体与环境和身体行动的关系；这里的交互模型重点是人与系统之间的连续交流与协作。选型时应检查具体能力，不只看名称。
有了大语言模型，还需要交互模块吗？
需要检查现有模型和运行系统是否已经处理接话、打断、状态更新、传感器输入及执行反馈。这些问题必须在系统中得到解决，不能因为有文字推理能力就省略。
Simplex 的机器人交互模型现在可以调用吗？
SA0 目前尚未公开上线。可以阅读研究预览，或通过 联系页面 交流具体场景；已开放的决策服务以产品页面为准。
继续阅读：全双工交互模型是什么？ · 语音 Agent 的轮次与打断判断