Raven 和 Dialog-RSN-1：专为企业对话训练的自研模型
为什么不用现成的大模型
PolyAI 不依赖 GPT、Claude 或其他通用大模型。原因很直接：通用模型是为文字优化的，而企业对话需要的是低延迟、可控性和领域精准性的组合——通用模型在这三点上都不达标。
- 延迟：人耳对通话停顿的敏感度远高于眼睛对网页加载的敏感度。通话中超过 500ms 的静音就会让用户觉得 AI "走神了"，亚 300ms 是 PolyAI 的设计目标。通用模型的推理速度很难稳定达到这个水平。
- 可控性：企业对话有硬性业务规则（"退款只给原支付渠道"、"账户号必须是 16 位数字"）。通用模型擅长灵活表达，但在硬性规则约束下容易"发挥过度"。
- 领域精准性：企业对话里有大量专有名词、缩写和行业术语。通用模型可能会混淆相近的概念，而 PolyAI 的模型在 10 亿+ 真实企业对话上训练过，对这些细节更敏感。
Raven：文本与多语种主力模型
Raven 3.5 是 PolyAI 目前的主力文本模型，专为客户服务场景优化。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 LLM 得分
- 多语种得分
- 风格与语气控制
- 日期时间逻辑
Raven 的设计哲学是在可控前提下最大化自然度。它会优先遵循你在 Agent Studio 里配置的业务规则，同时用接近人类的语气表达。对于语音通道，Raven 产生的文本在经过 TTS 合成后听起来更自然，因为模型本身就考虑了口语表达特征。
Dialog-RSN-1：音频原生模型
Dialog-RSN-1 是 PolyAI 的旗舰模型，它不接收文字输入——直接接收原始通话音频，在一个模型里完成回合切换判断、语音识别和响应生成。这是区别于主流"ASR → LLM → TTS"三段管道的关键架构创新。
| 指标 | 数值 | 含义 |
|---|---|---|
| 延迟 | < 300ms | 从用户说完到 AI 开口，通话中几乎没有可感知的停顿 |
| 回合切换准确率 | 89.8% | 准确判断用户何时说完、何时打断 |
| 词错误率（WER） | ~3.7% | 低误识别率，接近专业 ASR 引擎 |
这套模型的核心优势在于：它天生理解语音对话的结构——打断、插话、情绪变化、模糊发音，这些在纯文字模型里需要大量额外工程来处理的模式，Dialog-RSN-1 原生就能识别和响应。
延迟指标意味着什么
亚 300ms 延迟在企业通话中是一个有工程含义的数字。作为对比：
- 传统 IVR（交互式语音应答）的响应时间通常在 800ms 到 1500ms
- 套壳 LLM 语音客服的延迟普遍在 1000ms 以上（还要等 ASR + LLM 推理 + TTS 合成三段管道跑完）
- 真人客服的反应时间（从你说完到对方开口）约 400ms 到 700ms
这意味着 Dialog-RSN-1 的响应速度接近真人客服的一半，用户几乎不会觉得和 AI 通话和和人通话有什么不同——这是 PolyAI 能在真实生产场景里取得高 CSAT 的技术基础。