Am 12. November 2026 hat das MOSS-Team der Fudan-Universität gemeinsam mit dem Shanghai Innovation Institute und MOSI das Vollduplex-Echtzeit-Interaktionsmodell MOSS-Live vorgestellt und Vergleichsmessungen mit GPT-Live-1, Doubao SeedDuplex und weiteren Modellen veröffentlicht. MOSS-Live führt bei allen sechs Vollduplex-Kennzahlen, darunter eine Fehlreaktionsrate auf irrelevante Sprache von nur 2 %, gegenüber 68 % bei GPT-Live-1 und 75 % bei Doubao. Bei der Erledigung mehrstufiger Aufgaben liegt es dagegen weiterhin hinter GPT-Live-1.
Fehlreaktionsrate von 2 %: Bestwerte bei allen sechs Vollduplex-Kennzahlen
Bei Vollduplex zählt das Urteilsvermögen im echten Gespräch: nicht dazwischenreden, während der Nutzer nachdenkt, nicht auf Stimmen reagieren, die nicht an einen gerichtet sind, und ein zustimmendes „Mhm" von einer echten Unterbrechung unterscheiden. Die Unterbrechungsrate in Pausen liegt bei MOSS-Live bei 1,44 %, gegenüber 10,37 % bei GPT-Live-1 und 14,29 % bei Doubao; die Fehlreaktionsrate auf irrelevante Sprache beträgt 2 % und liegt damit 66 beziehungsweise 73 Prozentpunkte unter den beiden Vergleichsmodellen. Die Ablehnungsrate irrelevanter Unterbrechungen liegt bei 68 %, GPT-Live-1 und Doubao erreichen nur 21 % beziehungsweise 13 %. Auch bei der Robustheit gegenüber zustimmenden Lauten, Füllwörtern und irrelevanter Sprache ist MOSS-Live mit 98,17 %, 82,16 % und 78,90 % jeweils am besten.
Bei Tool-Aufrufen gleichauf an der Spitze, bei mehrstufigen Aufgaben hinter GPT-Live-1
Gut plaudern zu können heißt nicht, Aufgaben zu erledigen. Bei der Erfolgsquote von Tool-Aufrufen erreicht MOSS-Live 51 % und teilt sich den Spitzenplatz mit Doubao, vor GPT-Live-1 mit 45 %; bei mehrstufigen Aufgaben liegt die Erfolgsquote mit 57,93 % dagegen unter den 67,68 % von GPT-Live-1 und über den 17,38 % von Doubao. Auch beim Sprachverständnis gibt es Abstriche: Die Genauigkeit bei Big-Bench Audio beträgt 88,40 % und liegt unter den 90,50 % von Doubao; die Befolgung mehrstufiger Anweisungen liegt bei 3,35 von 5 Punkten, unter den 3,72 von GPT-Live-1. Die Antwortqualität nach Unterbrechungen (4,88) sowie Entitätsverfolgung, Korrektur und Sicherheit (3,63) sind dagegen die besten Werte, das Modell knüpft nach einer Unterbrechung also besser wieder an.
MOSS-Live unterstützt außerdem semantische Unterbrechungen, Echtzeitvideo, Bildschirmfreigabe und Streaming-Simultandolmetschen. Die Vordergrund-Interaktion läuft weiter, während im Hintergrund zeitaufwändige Aufgaben bearbeitet werden: Wer mitten in einer Reiseplanung eine Hotelsuche in Auftrag gibt, bekommt das Ergebnis zurück ins Gespräch, sobald es vorliegt. Zuerst profitieren Besprechungen mit mehreren Personen, das Auto und der Kundenservice — je lauter die Umgebung und je mehr Unterbrechungen, desto teurer werden Fehlreaktionen und Dazwischenreden. Alle Zahlen stammen aus der vom Anbieter veröffentlichten Evaluation; die offizielle Seite nennt weder Stichprobengrößen noch Fehlerspannen oder die vollständige Evaluationskonfiguration, und Werte aus verschiedenen Benchmarks sollten nicht zu einer Gesamtrangliste verrechnet werden.
MOSS-Live ist jetzt auf der MOSS-Plattform zum Ausprobieren und per API verfügbar — die neueste öffentliche Veröffentlichung des Teams seit MOSS-Image als Open Source. Im Bereich Echtzeitsprache gab es am selben Tag auch den Start von Tencent Hunyuan Hy Realtime; beide Modelle zielen auf das Szenario „sprechen und dabei Dinge erledigen". Entscheidend wird sein, ob Dritte diese Vollduplex-Ergebnisse reproduzieren können und wie sich Latenz und Stabilität in echten Besprechungen und im Auto verhalten.
