Raven 3.5 与 Dialog-RSN-1：两代自研模型的架构分工

两个模型，两层分工

PolyAI 维护两个自研模型，各自负责对话管道的不同环节：

两个模型不是"谁替代谁"的关系——它们在对话管道里串联协作：Dialog-RSN-1 负责处理音频输入、判断回合切换、做语音识别，然后 Raven 负责基于识别结果 + 知识召回 + 对话历史生成最终响应文本。

为什么不只用一个模型

理论上可以把所有功能塞进一个大模型，但工程上不划算：

• 音频处理和文本处理的模型架构差异很大，强行融合会拖慢整体推理速度
• 延迟指标硬约束——语音管道必须亚 300ms，文本模型可以接受稍高的延迟（因为用户是看着屏幕而不是在通话）
• 不同场景可以弹性开关——聊天场景不需要 Dialog-RSN-1 的音频原生能力，可以只用 Raven，成本更低

Raven 3.5：文本 + 多语种主力

Raven 是 PolyAI 的核心 LLM，专门为客户服务场景训练。根据 PolyAI 发布的白皮书，Raven 在四项客户服务基准测试上全面超过了 GPT-5 和 Claude Sonnet 4.6：

• 英文客户服务 LLM 得分
• 多语种客户服务得分
• 语气和风格控制
• 日期 / 时间逻辑处理

Raven 的核心设计选择：

• 可控性优先：在遵循业务规则（Agent Settings 的 Rules）和灵活性之间，Raven 倾向于遵循规则。这在企业场景里很重要——智能体不能"为了流畅而流畅"到违反合规要求。
• 领域针对性：训练数据主要来自 10 亿+ 真实企业对话，而不是通用互联网文本。这让 Raven 对客户服务特有的表达模式、行业术语、常见问法更敏感。
• 风格内置：语音对话风格指南（社会存在感标记）已经内建在 Raven 的 prompt 工程里，默认输出就是符合口语化规范的文本。

Dialog-RSN-1：音频原生旗舰

Dialog-RSN-1 是 PolyAI 最新一代语音旗舰模型，也是它最有差异化竞争力的技术。它和传统"ASR → 文字 → LLM"管道的根本不同是：整个模型接收的输入是原始通话音频，不是文字。

这带来三个关键能力：

1. 回合切换准确率 89.8%

传统管道里，"用户什么时候说完了"是一个独立判断——ASR 做转写后，需要另一个模型（或规则引擎）判断是否该触发 LLM 响应。Dialog-RSN-1 直接在音频层面做这个判断——它理解说话者的停顿、音量变化、语调下降这些人类用来暗示"我说完了"的信号。

2. 打断处理

传统管道里，如果用户在智能体说话中途打断，系统需要等 ASR 把用户的打断语音转成文字、再判断意图、再停止 TTS。这个链条的延迟会让用户觉得"打断没用"。Dialog-RSN-1 直接在音频层面检测打断并停止输出——延迟极低。

3. 上下文感知 ASR

传统 ASR 独立处理每段音频，不知道之前说了什么。Dialog-RSN-1 在识别当前用户说的话时，已经看到了之前的对话历史——这让它能正确理解"那个"、"这个"、"改一下"这类代词指代，不容易把在特定上下文里才有意义的短语翻译成字面意思。

模型更新节奏

Raven 和 Dialog-RSN-1 会不定期更新——通常每 3-6 个月一次。更新对用户透明：PolyAI 在后台切换模型版本，智能体行为自动用新模型，你不需要做任何迁移。模型更新会带来识别更准、延迟更低、支持更多语言等提升。