Dessa של Block אומנה על דיבור בלבד — הנה מה שההדגמות לא מוכיחות

Block פרסמה יותר מתריסר הקלטות שיחה ואף לא נתון בנצ'מרק אחד. היחס הזה הוא הדבר שמספר הכי הרבה על Dessa, מודל הדיבור הדו-כיווני המלא שהחברה של ג'ק דורסי הכריזה עליו ב-23 באוקטובר 2026. Dessa מאומן מאפס על שיחות אנושיות, בלי טקסט ובלי מודלים מאומנים מראש, והוא עושה משהו יוצא דופן באמת: הוא מקשיב ומדבר בו-זמנית, אודיו נכנס ואודיו יוצא, בלי שלב תמלול באמצע. נכון לכתיבת שורות אלה, הוא גם תצוגה מקדימה מחקרית מאחורי רשימת המתנה, בלי מספר פרמטרים, בלי API, בלי מחיר, בלי משקלים ובלי הערכה שפורסמה. ההדגמות הן כל בסיס הראיות הציבורי.

זה לא הופך את ההכרזה לריקה. מודל דיבור שלומד שפה בלי קורפוס טקסט תוקף הנחה שרוב התעשייה הפסיקה להטיל בה ספק — שהטקסט הוא המקום שבו הידע נמצא, והדיבור הוא ממשק דק מעליו. אבל הפער בין „ההדגמות מדהימות” ל„אנחנו יודעים מה המודל הזה מסוגל לעשות” הוא רחב, והעמוד של Block עצמו כן יותר לגבי הפער הזה מרוב פוסטי ההשקה. המשפט שעושה את העבודה הרבה ביותר הוא באורך ארבע מילים: „למיטב ידיעתנו”.

מה שבלוק למעשה שם על הדף

אם מסירים את שמות התואר, התיעוד המאומת קצר. כל מה שלהלן מגיע מההכרזה של Block עצמה או מהצהרות פומביות של החברה; שום דבר כאן לא אומת באופן עצמאי.

{{1}}שחרור{{/1}} — הוכרז ב-23 באוקטובר 2026 כתצוגה מקדימה מחקרית, ולא כמוצר זמין לשימוש כללי.

• צורה — דיבור-לדיבור מקצה לקצה: אודיו נכנס, אודיו יוצא, דופלקס מלא, ללא טקסט ביניים.

• אימון — מאפס על שיחות אנושיות בלבד. Block אומר שלא נעשה שימוש בנתוני טקסט ולא במודלים מאומנים מראש.

• מחשוב — לפי החברה, האימון התבצע על ארון שרתים בודד מסוג NVIDIA GB200 NVL72.

• הסקה מקומית — Block טוענת שהיא פועלת מהר יותר מאשר בזמן אמת על MacBook Pro M4 Max "או טוב יותר".

• גישה — גישה מוקדמת ל"קבוצה קטנה של חוקרי בטיחות AI" שמגישים בקשה עם דוא"ל מוסדי, ובנוסף רשימת המתנה ציבורית. בעמוד נכתב שקישורי ההשקה יגיעו בקרוב.

• חסר — מספר פרמטרים, אורך הקשר, גודל מערך הנתונים או שעות אודיו, משך האימון, השהיה במילישניות, ציוני בנצ'מרק, רישיון, מחיר, משקלים וכל תיעוד API.

הצוות הוא קבוצת מחקר קטנה בתוך Block, בראשות Ragavan Thurairatnam, שנבנתה סביב חברים לשעבר מהסטארט-אפ Dessa מטורונטו ש-Block רכשה ב-2020, והוא מדווח ישירות ל-Dorsey. הקשר הזה חשוב לקריאת ההכרזה: זו מעבדה עם היסטוריה של שמונה שנים בדיבור גנרטיבי, ולא חברת תשלומים שמחברת הדגמה למפת דרכים של מוצר. זה גם מסביר מדוע הפרסום נראה כמו פריט מחקר ולא כמו השקת מוצר — כי זה בדיוק מה שהוא.

Full-duplex הוא החלק שכדאי להבין

רוב העוזרים הקוליים פועלים כמו ווקי-טוקי. המערכת ממתינה שתפסיק, מחליטה שסיימת, מתמללת, חושבת, מסנתזת תגובה ומשמיעה אותה. כל אחד מהגבולות האלה נשמע. אתה לומד לחכות לצפצוף, והמודל לא לומד דבר מחצי השנייה שבה עמדת לדבר אך שינית את דעתך.

דופלקס מלא הוא מודל שיחת הטלפון. המודל מקשיב בזמן שהוא מדבר, כך שאפשר להפריע לו באמצע משפט, הוא יכול להכניס "כן" או "הבנתי" בזמן שאתה מדבר, ויכול לכוונן את התזמון שלו לשלך. ההדגמות של Block נשענות על כך במידה רבה: Dessa צוחקת באמצע המשפט שלה, מגבירה את עוצמת הקול כשמבקשים ממנה, משלימה כותרת של סרט שהדובר שכח, ומתנשפת לנוכח גילוי על יום נישואין. The Verge, שהאזין לאותם קטעים, תיאר את השיחות כ"מעט מביכות ומשונות" וציין אחת שבה Dessa מכנה את שותפה לשיחה "Ronaldo".

שתי התגובות יכולות להיות נכונות. דופלקס מלא הוא תכונת אינטראקציה, לא תכונת אינטליגנציה. מודל יכול לנהל חילופי תורות ללא דופי ושאין לו דבר מעניין לומר, או לספק תשובה מבריקה בתזמון של מכונת פקס. מה שההדגמות מוכיחות הוא ש-Block בנתה משהו שמתנהג כמו משתתף. מה שהן לא יכולות להוכיח הוא באיזו תדירות הוא מתנהג כך כאשר אף אחד לא בוחר את הקליפ.

מה מרוויחים מאימון בדיבור בלבד — ומה המחיר

הטיעון בעד אימון על דיבור בלבד הוא שטקסט משליך כמעט את כל מה ששיחה נושאת. תמלול של "בסדר" הוא מילה אחת. האודיו הוא אנחה, הפסקה, ירידת גובה צליל, והחלטה אם לשאול שוב. המניע הבטיחותי המוצהר של Block נובע מכך: מערכת קולית שאינה שומעת מצוקה חירשת בדיוק לאות החשוב בשיחת תמיכה או בקו משבר.

המחיר הוא מבני באותה מידה. מודלי שפה גדולים מקבלים את כיסוי העובדות שלהם, את הקוד שלהם, את הפלט המובנה שלהם ואת קריאת הכלים שלהם מטקסט. למודל שאומן רק על דיבור אין ממשק ילידי ל-PDF, לסכימת JSON או לקריאת API. Block מודה בשאלות הפתוחות בעמוד שלה: באיזו יעילות מודל שמבוסס רק על דיבור לומד עובדות ושפות לעומת מודל טקסט, והאם למידה בהקשר שורדת בלי אימון מקדים על טקסט. אלה לא הערות שוליים. הם ההבדל בין סוכן שיחתי משכנע לבין עוזר כללי.

יש עמדת ביניים שאפשר להגן עליה: מודל יליד־דיבור אינו צריך לקרוא את הגיליון האלקטרוני שלך אם הוא משולב עם משהו שכן עושה זאת. אבל זהו טיעון ארכיטקטוני ש-Block עדיין לא הציגה, והתצוגה המקדימה הנוכחית אינה חושפת ממשק שדרכו שילוב כזה יכול להתקיים.

בסיס הראיות הוא סרטון הדגמה מאוצר

בלוק אומרת שהקליפים הם הקלטות חיות, שאיש אינו מכוון את המודל, ושהכתוביות נוספו לאחר מכן. אלו שיטות עבודה טובות והן שוללות את הצורה הגסה ביותר של הונאת דמו. הן אינן שוללות סלקציה. צוות שמקליט שיחות רבות ומפרסם את הטובות שבהן אמר לך שקיימות שיחות טובות, וזו אינה אותה טענה כמו "המודל הזה אמין".

מה שנדרש מהערכה עצמאית הוא ספציפי, וכדאי לרשום אותו כבר עכשיו, כדי שאפשר יהיה למדוד את ההכרזה הבאה מולו:

• סט שיחות שלא נכלל באימון, עם פרומפטים שפורסמו, ולא מבחר של נקודות בולטות נבחרות.

• זמן השהיה של התגובה נמדד מקצה לקצה, כולל הזמן עד לתגובה הנשמעת הראשונה, ולא רק "מהיר יותר מזמן אמת".

• התאוששות מהפרעה: באיזו תדירות המודל מאבד את הרצף לאחר שנקטע, וכמה מהר הוא חוזר אליו.

• מובנות בתנאי רעש, וזהו לרוב המקום שבו מערכות דיבור נכשלות ראשונות.

• תקציב מוצהר למחשוב ולנתונים, כך שאפשר יהיה לבדוק את הטענה בדבר "מאות פעמים פחות מילים" מול משהו.

מידה מסוימת של שימור עובדתי, מכיוון שזהו המחיר המפורש של השמטת טקסט.

אף אחד מאלה עדיין לא קיים. זה נורמלי לתצוגה מקדימה וחריג להשקה, ולכן התווית הנכונה עבור Dessa היום היא "תוצאת מחקר עם דף הדגמה טוב באופן חריג."

טענת החומרה היא השקטה

שני מספרי חומרה מופיעים על הדף ואף אחד מהם לא נבדק. הראשון הוא שהאימון השתמש ב-GB200 NVL72 אחד — ארון בודד המכיל 72 Blackwell GPUs. אם זה נכון, זוהי טענת יעילות נתונים מרשימה: מודל שמנהל שיחה, שאומן על ארון אחד, בתחום שבו מודלי טקסט בחזית מאומנים על עשרות אלפי מאיצים. זו גם מסוג הטענות שתלויות לחלוטין בקנה מידה: ארון אחד למשך כמה זמן, על כמה שעות אודיו, עם כמה פרמטרים?

השנייה היא שהאינפרנס רץ מהר יותר מזמן אמת על MacBook Pro M4 Max. לדגם הבכיר M4 Max יש 128 GB של זיכרון מאוחד, כך שמודל שנכנס בו בנוחות אינו עצום בסטנדרטים של ימינו. זו הסקה, לא גילוי. Block לא פרסמה את הגודל, את הקוונטיזציה, את טביעת הרגל בזיכרון או את נתון הטוקנים לשנייה, ולכן לא ניתן לשחזר את הטענה לגבי המחשב הנייד, אלא רק לחזור עליה.

זה המקום שבו קורא טכני אמור לחוש את החסר בצורה החריפה ביותר. כל מה שקשור למעשיות של המודל — עלות לכל שיחה, האם ניתן להריץ אותו בטלפון, האם API יוכל אי פעם להיות זול — נובע ממספר ש-Block בחרה שלא לפרסם.

מדוע הגישה מוגבלת, ומדוע זה חשוב עבור ההערכה

הסיבות המוצהרות של Block לבניית Dessa הן סקרנות, הבנה טובה יותר של אינטראקציית אדם–בינה מלאכותית ובטיחות. השער עולה בקנה אחד עם הסיבה השלישית: קול שמזהה רגשות ומשוחח באופן משכנע הוא כלי התחזות מוכן מראש, והדרך המהירה ביותר להימנע מכותרת שלילית היא להשאיר אותו בחדר קטן.

הפשרה היא שגישה מוגבלת והערכה עצמאית מושכות לכיוונים מנוגדים. קבוצה קטנה של חוקרי בטיחות עשויה בהחלט להפיק את תוצאות הרד-טים השימושיות ביותר, אך התוצאות הללו יגיעו לפי לוח הזמנים של Block וב, ברוב המקרים, תחת בדיקה של Block. עד שקבוצה חיצונית תפרסם נתונים, התיעוד הציבורי מורכב מהקליפים של הספק בתוספת רשמים של עיתונאים מהקליפים של הספק. זהו בסיס דק לביטוי "עולה על כל דבר אחר בביטוי רגשי", שהיא טענה על השוואה שאף אחד לא ערך.

מה יהפוך את זה למוצר?

ארבעה דברים, בערך לפי סדר חשיבות. קובץ מחיר או קובץ משקולות, כי כל אחד מהם אומר לך מי יכול להשתמש בו. API או SDK, כי מודל שאי אפשר לקרוא לו הוא מאמר. בנצ'מרק או הערכה בלתי תלויה, כי "הכי אותנטי" אינו מדד. ומספר השהיה במילישניות, כי כל הערך של דופלקס מלא הוא תזמון, ותזמון הוא הדבר היחיד שקليب וידאו לא יכול להעביר.

כל אחד מאלה היה משנה את האופן שבו יש לקרוא את המאמר הזה. כל ארבעתם היו הופכים אותו להשקה.

אם תזדקק לסוכן קולי לפני כן

הסטאק המעשי עבור סוכן קולי בסביבת ייצור הוא עדיין זיהוי דיבור, אחר כך מודל שפה, ואז סינתזת דיבור. כל שלב מוסיף השהיה וכל ספק הוא חוזה נפרד. OrcaRouter היא שכבת הביניים: API אחד לפני 200+ מודלים, עם 0% תוספת — מחיר המחירון של הספק מועבר כמו שהוא — מעבר אוטומטי בין ספקים במקרה כשל, DSL לניתוב שיכול להרכיב כמה מודלים לקריאה אחת, ומיזוג מודלים כשאתם רוצים פאנל של מודלים שעונים יחד. זה לא הופך מכשיר קשר לשיחת טלפון; זה מסיר אינטגרציה אחת מהשרשרת בזמן שמודלי הדופלקס מתפתחים.

ליתר בהירות לגבי מה שאין לנו: Dessa אינה בקטלוג של OrcaRouter, ואין לקרוא שום דבר במאמר הזה כהצעה לשרת אותה. כאשר Block תשחרר API, שכבת הניתוב היא המקום שבו יהיה שווה להשוות מודל כמו זה לפי מחיר לדקת שיחה ולא לפי טוקן.

מה לראות

הטענה שראויה להתייחסות רצינית אינה "הראשונה". היא שייתכן ששפה ניתנת ללמידה מדיבור עם פי מאות פחות נתונים, ושאותו מודל שיתקבל עשוי להבין שיחה באופן שתמלול לעולם לא יוכל. אם Block תפרסם מאמר עם תקציב הנתונים, מספר הפרמטרים והערכה על סט שנשמר בצד, הטענה הזו הופכת לניתנת לבדיקה. אם ההכרזה הבאה תהיה עוד סט של קליפים, השאלה המעניינת עדיין תישאר פתוחה — ורשימת ההמתנה עדיין תהיה הדלת היחידה.