Tencent presenta Gander, un modelo que conversa mientras trabaja en segundo plano
El sistema reparte el trabajo entre un "cerebelo" que mantiene el diálogo en tiempo real y un "cerebro" que ejecuta tareas en segundo plano y se puede sustituir por otro agente.
Tencent ha presentado Gander, un modelo de investigación que mantiene una conversación por voz en tiempo real mientras, por detrás, va ejecutando tareas complejas. La idea es repartir el trabajo en dos piezas: un "cerebelo" que lleva el diálogo y un "cerebro" que razona y actúa en segundo plano, y que se puede cambiar por un sistema de agentes como Codex o Claude Code sin reentrenar la parte conversacional. El informe técnico lo firman el equipo Hunyuan Speech de la compañía y varios grupos universitarios.
El punto de partida es una crítica a los asistentes de voz actuales, que funcionan por turnos. En una conversación real la gente se interrumpe, asiente mientras escucha y suelta feedback a media frase. Gander procesa vídeo, voz y texto a la vez, incluso mientras habla, de modo que el usuario puede entrar en cualquier momento y el modelo puede preguntar o dar avances sin que se lo pidan. El caso de uso que describen: mientras el agente de fondo arregla un bug, tú sigues preguntando y añades un requisito, por ejemplo compatibilidad con Python 3.12.
Un cerebelo que habla y un cerebro que trabaja
El reparto responde a un compromiso conocido: conversar exige respuestas rápidas, y buscar archivos o escribir código requiere planificar. Un solo modelo tiene que equilibrar ambas cosas, así que aquí son dos. Gander trocea la conversación en segmentos de un segundo para decidir cuándo escuchar, cuándo hablar y cuándo callarse si el usuario interrumpe, sin un módulo aparte de detección de voz, y usa como memoria aproximadamente los dos minutos anteriores de diálogo. En las pruebas, el papel de cerebro lo ocupó un modelo sin especificar de la familia GPT-5.6 de OpenAI.
El repositorio en GitHub ya existe y hay demos en la página del proyecto, aunque los pesos y los datos de entrenamiento todavía no están: el equipo dice que los publicará cuando termine "el proceso de liberación open source".
Gana en turnos, pierde en precisión
Como no hay un test estándar para sistemas así, tiraron de benchmarks conocidos. En Full-Duplex-Bench v3, que mide asistentes de voz en distintos escenarios, Gander empieza a hablar en el momento correcto en los 100 escenarios y solo interrumpe al usuario en el 8% de los casos, frente al 13,5% de GPT-Realtime y el casi 48% del competidor más flojo. La pega: su precisión de tarea queda algo por debajo de ese competidor más flojo. Los autores lo achacan en parte a que la prueba puntúa el sistema completo, de modo que los errores de reconocimiento de voz y de salida también cuentan, mientras que el cerebro puntúa mucho mejor cuando recibe texto directo. La comprensión de vídeo y audio también sale peor que la de su modelo base en una prueba, algo que atribuyen a un entrenamiento que prima la fluidez del diálogo sobre la percepción precisa: contar objetos o localizarlos en una imagen.
Gander se entrenó con unos 2,7 millones de ejemplos, algunos destinados a que el modelo se calle cuando hay ruido de fondo o cuando nadie del grupo se dirige a él. Los propios investigadores reconocen que esto es pronto, que escalarlo sigue abierto y que falta una forma consensuada de evaluar esta familia de sistemas. Viene detrás de Hy3, el modelo abierto de julio que ya corre en WorkBuddy, Yuanbao y WeChat, y en medio de la negociación de Tencent para tomar la mayor participación en la startup de agentes Manus. Otros van por la misma vía: GPT-Live de OpenAI separa conversación de razonamiento y Sakana AI tiene Fugu, que llama a otros modelos desde un pool ampliable. Que las interrupciones y la latencia son un problema práctico lo dice un análisis de Anthropic: los usuarios experimentados interrumpen Claude Code en torno al 9% de los pasos de trabajo, frente al 5% de los recién llegados.
