Blocks Dessa tränades enbart på tal – här är vad demona inte bevisar

Block har publicerat fler än ett dussin samtalsinspelningar och inte ett enda benchmarktal. Det förhållandet är det mest informativa med Dessa, den full-duplexa talmodellen som Jack Dorseys företag tillkännagav den 23 oktober 2026. Dessa tränas från grunden på mänskliga samtal, utan text och utan förtränade modeller, och den gör något verkligen ovanligt: den lyssnar och talar samtidigt, ljud in och ljud ut, utan något transkriberingssteg däremellan. Den är också, i skrivande stund, en forskningsförhandsvisning bakom en väntelista utan parameterantal, utan API, utan pris, utan vikter och utan publicerad utvärdering. Demorna utgör hela den offentliga bevisbasen.

Det gör inte tillkännagivandet tomt. En talmodell som lär sig språk utan en textkorpus angriper ett antagande som större delen av branschen har slutat ifrågasätta – att texten är där kunskapen bor och att talet är ett tunt gränssnitt ovanpå. Men gapet mellan "demonstrationerna är häpnadsväckande" och "vi vet vad den här modellen kan göra" är stort, och Blocks egen sida är mer uppriktig om det gapet än de flesta lanseringsinlägg. Den mening som väger tyngst är fyra ord lång: "så vitt vi vet."

Vad Block faktiskt lade upp på sidan

Tar man bort adjektiven är den bekräftade redogörelsen kort. Allt nedan kommer från Blocks eget tillkännagivande eller företagets offentliga uttalanden; inget här har verifierats oberoende.

• Släpp — tillkännagavs den 23 oktober 2026 som en forskningsförhandsvisning, inte en allmänt tillgänglig produkt.

• Form — tal-till-tal från ände till ände: ljud in, ljud ut, full duplex, inget textmellanled.

• Träning – från grunden på enbart mänsklig konversation. Block säger att ingen textdata och inga förtränade modeller användes.

• Beräkningskapacitet — träningen kördes på ett enda NVIDIA GB200 NVL72-rack, enligt företaget.

• Lokal inferens — Block hävdar att det körs snabbare än realtid på en MacBook Pro M4 Max "eller bättre."

• Åtkomst – tidig åtkomst för "en liten grupp AI-säkerhetsforskare" som ansöker med en institutionell e-postadress, plus en offentlig väntelista. Sidan anger att lanseringslänkar kommer inom kort.

• Saknas — antal parametrar, kontextlängd, datamängdsstorlek eller timmar av ljud, träningstid, latens i millisekunder, benchmarkresultat, licens, pris, vikter och eventuell API-dokumentation.

Teamet är en liten forskningsgrupp inom Block som leds av Ragavan Thurairatnam, uppbyggd kring tidigare medlemmar av Toronto-startupen Dessa som Block förvärvade 2020, och den rapporterar direkt till Dorsey. Den här härstamningen spelar roll för att läsa tillkännagivandet: detta är ett labb med en åttaårig historia inom generativt tal, inte ett betalningsföretag som monterar en demo på en produktfärdplan. Det förklarar också varför släppet ser ut som en forskningsartefakt snarare än en produktlansering – eftersom det är just vad det är.

Full-duplex är den del som är värd att förstå

De flesta röstassistenter fungerar som en walkie-talkie. Systemet väntar på att du ska sluta, avgör att du är klar, transkriberar, tänker, syntetiserar ett svar och spelar upp det. Var och en av dessa gränser är hörbar. Du lär dig att vänta på pipet, och modellen lär sig ingenting av den halva sekund då du var på väg att säga något men ändrade dig.

Full-duplex är telefonsamtalsmodellen. Modellen lyssnar medan den talar, så den kan avbrytas mitt i en mening, inflika "ja" eller "uppfattat" medan du pratar och anpassa sin tajming efter din. Blocks demonstrationer förlitar sig starkt på detta: Dessa skrattar mitt i sin egen mening, höjer volymen när den ombeds, avslutar en filmtitel som talaren har glömt och flämtar till vid ett årsdagsavslöjande. The Verge, som lyssnade på samma klipp, beskrev samtalen som "lite obekväma och kusliga" och uppmärksammade ett där Dessa kallar sin samtalspartner för "Ronaldo".

Båda reaktionerna kan vara sanna. Full-duplex är en interaktionsegenskap, inte en intelligensegenskap. En modell kan ha felfri turtagning och inget intressant att säga, eller ett briljant svar levererat med tajmingen hos en faxmaskin. Det demonstrationerna visar är att Block har byggt något som beter sig som en deltagare. Det de inte kan visa är hur ofta det beter sig så när ingen väljer klippet.

Vad träning enbart på tal ger, och vad det kostar

Argumentet för att träna enbart på tal är att text kastar bort nästan allt som ett samtal förmedlar. En transkription av ”okej” är ett enda ord. Ljudet är en suck, en paus, ett sänkt röstläge och ett beslut om huruvida man ska fråga igen. Blocks angivna säkerhetsmotiv följer av detta: ett röstsystem som inte kan höra nöd är dövt för exakt den signal som spelar roll i ett supportärende eller på en krislinje.

Kostnaden är lika strukturell. Stora språkmodeller hämtar sin faktatäckning, sin kod, sina strukturerade utdata och sina verktygsanrop från text. En modell som endast tränats på tal har inget inbyggt gränssnitt för en PDF, ett JSON-schema eller ett API-anrop. Block medger de öppna frågorna på sin egen sida: hur effektivt en enbart talbaserad modell lär sig fakta och språk jämfört med en textmodell, och huruvida in-context learning överlever utan textförträning. Det är inte fotnoter. De utgör skillnaden mellan en övertygande samtalsagent och en allmän assistent.

Det finns en försvarbar ståndpunkt i mitten: en talnative modell behöver inte läsa ditt kalkylark om den kombineras med något som gör det. Men det är ett arkitekturargument som Block ännu inte har lagt fram, och den nuvarande förhandsversionen exponerar inget gränssnitt genom vilket en sådan ihopkoppling skulle kunna ske.

Evidensbasen är en kurerad demoreel.

Block säger att klippen är liveinspelningar, att ingen styr modellen och att undertexterna lades till efteråt. Det är god praxis och utesluter den grövsta formen av demobedrägeri. De utesluter inte urval. Ett team som spelar in många samtal och publicerar de bästa av dem har berättat för dig att bra samtal finns, vilket inte är samma påstående som att "den här modellen är pålitlig."

Det som en oberoende utvärdering skulle behöva är specifikt och värt att skriva ner nu, så att nästa tillkännagivande kan mätas mot det:

• En avsatt konversationsuppsättning med publicerade prompter, inte utvalda höjdpunkter.

• Svarstid mätt end-to-end, inklusive tiden till första hörbara reaktion, inte bara "snabbare än realtid".

• Återhämtning efter avbrott: hur ofta modellen tappar tråden efter att ha blivit avbruten, och hur snabbt den återtar den.

• Taluppfattbarhet under buller, vilket är där talsystem oftast misslyckas först.

• En angiven beräknings- och databudget, så att påståendet om "hundratals gånger färre ord" kan kontrolleras mot något.

• Ett visst mått av faktabevarande, eftersom det är den explicita avvägningen med att utelämna text.

Inget av detta finns ännu. Det är normalt för en förhandsvisning och onormalt för en lansering, vilket är anledningen till att den korrekta beteckningen för Dessa i dag är "ett forskningsresultat med en ovanligt bra demosida."

Hårdvarupåståendet är det tysta.

Två hårdvarusiffror står på sidan och ingen av dem har kontrollerats. Den första är att träningen använde en GB200 NVL72 – ett enda rack med 72 Blackwell-GPU:er. Om det stämmer är det ett slående påstående om dataeffektivitet: en modell som för en konversation, tränad på ett enda rack, inom ett område där ledande textmodeller tränas på tiotusentals acceleratorer. Det är också den typ av påstående som helt och hållet beror på skala: ett rack under hur lång tid, på hur många timmar ljud, med hur många parametrar?

Det andra är att inferensen körs snabbare än realtid på en MacBook Pro M4 Max. En toppmodell av M4 Max har 128 GB enhetligt minne, så en modell som får plats bekvämt där är inte enorm enligt moderna mått. Det är en slutsats, inte ett avslöjande. Block har inte publicerat storleken, kvantiseringen, minnesanvändningen eller siffran för tokens per sekund, så påståendet om bärbara datorn kan inte reproduceras, bara upprepas.

Det är här en teknisk läsare borde känna av frånvaron allra starkast. Allt när det gäller modellens praktiska användbarhet – kostnad per konversation, om den kan köras på en telefon, om ett API någonsin skulle kunna bli billigt – följer av en siffra som Block har valt att inte publicera.

Varför åtkomst är begränsad, och varför det spelar roll för utvärderingen

Blocks angivna skäl för att bygga Dessa är nyfikenhet, en bättre förståelse för människa–AI-interaktion och säkerhet. Grinden stämmer överens med det tredje: en röst som läser av känslor och samtalar övertygande är ett färdigt verktyg för att imitera någon, och det snabbaste sättet att undvika en dålig rubrik är att hålla den i ett litet rum.

Avvägningen är att begränsad åtkomst och oberoende utvärdering drar åt olika håll. En liten grupp säkerhetsforskare kan mycket väl producera de mest användbara red-team-resultaten, men resultaten kommer att komma på Blocks tidslinje och i de flesta fall under Blocks granskning. Tills en extern grupp publicerar siffror består det offentliga underlaget av leverantörens klipp plus journalisters intryck av leverantörens klipp. Det är ett tunt underlag för formuleringen ”överträffar allt annat i känslomässigt uttryck”, vilket är ett påstående om en jämförelse som ingen har gjort.

Vad skulle göra detta till en produkt?

Fyra saker, i grov ordning efter betydelse. En prisfil eller en vikterfil, eftersom endera talar om vem som kan använda den. Ett API eller ett SDK, eftersom en modell du inte kan anropa är ett papper. Ett benchmark eller en oberoende utvärdering, eftersom "mest autentisk" inte är ett mått. Och en latenssiffra i millisekunder, eftersom hela värdet med full duplex är timing och timing är det enda ett videoklipp inte kan förmedla.

Vilken som helst av dessa skulle förändra hur den här artikeln bör läsas. Alla fyra skulle göra det till en lansering.

Om du behöver en röstagent innan dess

Den praktiska stacken för en produktionsröstagent är fortfarande taligenkänning, sedan en språkmodell, sedan talsyntes. Varje steg ökar latensen och varje leverantör är ett separat avtal. OrcaRouter är mellanlagret: ett API framför 200+ modeller, med 0 % påslag – leverantörens listpris går rakt igenom – automatisk failover mellan leverantörer, ett routing-DSL som kan sätta samman flera modeller till ett anrop, och modellfusion när du vill att en panel av modeller ska svara tillsammans. Det gör inte en walkie-talkie till ett telefonsamtal; det tar bort en integration från kedjan medan duplexmodellerna mognar.

För att vara tydliga med vad vi inte har: Dessa finns inte i OrcaRouter-katalogen, och ingenting i den här artikeln bör uppfattas som ett erbjudande om att tillhandahålla den. När Block släpper ett API är routningslagret platsen där en modell som den här skulle vara värd att jämföra utifrån pris per samtalsminut i stället för per token.

Vad du ska titta på

Påståendet som är värt att ta på allvar är inte "först". Det är att språk kan vara inlärbart från tal med hundratals gånger mindre data, och att den resulterande modellen kan förstå ett samtal på ett sätt som en transkription aldrig skulle kunna. Om Block publicerar en artikel med databudgeten, parameterantalet och en utvärdering på undanhållen data blir det påståendet testbart. Om nästa tillkännagivande är ännu en uppsättning klipp kommer den intressanta frågan fortfarande att vara öppen — och väntelistan kommer fortfarande att vara den enda dörren.