dessa 问题
核心摘要Summary
- Block发布完全脱离文本训练的纯语音模型Dessa，宣称能在M4 Max笔记本上本地运行。
- 其训练底座实为整套包含72块GPU的GB200机柜，在常识崩塌与延迟黑箱背后，中小商户用不起高昂硬件，Square收银台也未接入这项技术。
01击碎单卡神话：72卡整柜工程与空心的大脑02高昂的端侧门槛，难进收银台的模型03审查真空与数据暗流04结语
内容导图Mind Map-97%+
Dessa语音模型
情绪逼真难掩落地硬伤
算力硬炼与常识坍塌
72卡堆叠难救常识崩塌
关键指标成谜
延迟与评测数据均未公开
商业落地脱节
硬件门槛过高难进收银台
业务需求错配
交易重准确率轻情绪拟人
审查真空与数据暗流
文本过滤失效且数据回流金融
一个没学过文字的 AI，听到用户说要带它去巴黎，能当场发出带哭腔的抽泣，还能接住冷嘲热讽。但多聊两句，它就会把对话者毫无由头地认成 C 罗，或者在讨论诺兰电影时突然拐到超人。
Block 掌门人 Jack Dorsey 拿出的原生语音模型 Dessa，把这套反差推到了台前。官方宣称这是首个完全脱离文本标记、纯粹凭借人类真实对话音频训练的端到端全双工模型，能在一台搭载 M4 Max 芯片的 MacBook Pro 上本地离线跑起来。
市面一度传言它是在单卡上轻巧炼成的奇迹，但事实恰恰相反。Block 动用的是一整套配备 72 块 GPU 的液冷机柜系统。像婴儿一样脱离文字学语，听起来极富极客浪漫，但在惊艳的情绪语调背后，这项激进尝试换来的是常识坍塌、虚高硬件门槛与尚未结算的商业算计。语音模型路线分野：主流混合 vs Dessa极端感知主流原生双工方案代表：GPT-Live-1 / Kyutai Moshi底层依赖海量文本与预训练 LLM混入数万小时合成对话补全逻辑特点：事实逻辑稳固，理性与控制力强Block Dessa 路线架构：无文本 Token / 纯语音输入输出彻底剥离文字先验，仅用人类录音端到端直出声学特征，本地端侧跑代价：缺乏符号锚定，常识极易漂移
击碎单卡神话：72卡整柜工程与空心的大脑
把单张显卡当成 Dessa 训练底座属于事实误读。Block 实际采用的是整套 NVIDIA GB200 NVL72 液冷机柜，整合了 72 块 Blackwell 架构 GPU 与 36 块 Grace CPU。从零开始以纯音频流作为语料，意味着模型必须在波形振动里自己摸索语法、常识和对话动态，浮点运算开销极其高昂。
文字是人类沉淀逻辑的龙骨，抽走骨架的代价非常直观。欧洲开源机构 Kyutai 研发全双工模型 Moshi 时做过消融实验：移除了维持符号逻辑的内部文本后，模型在常识题库上的准确率从 62.3% 暴跌到 21.0%，问答表现腰斩。
Meta 早在 2022 年就发表过无文本对话模型 dGSLM，同样止步于实验室。纯音频表征擅长模仿抽泣、停顿、换气和笑声，但因果推演能力极其脆弱。Dessa 能把人类说话的架势学得惟妙惟肖，可一旦进入常识问答，张口就是荒谬幻觉。技术透明度与关键指标披露情况Moshi 实测延迟~200msDessa 公开延迟数据0 项披露训练集与基准测试未公开
在工业级指标上，主流方案如 OpenAI GPT-Live-1 在对话动态评测中可达 97.3%，端到端轮转响应延迟为 0.798 秒；Moshi 也公开了约 200 毫秒的实测延迟。Dessa 至今未公布参数量、首包延迟与基准跑分，只含糊宣称推理速率快于实时。吞吐量达标不等于打断响应及时，缺乏硬指标的闭门演示难以证明其实用性。
高昂的端侧门槛，难进收银台的模型
Block 描摹了一幅端侧运行的极客图景，但现实硬件约束十分明确。官方标明的本地部署基线是配备 M4 Max 芯片的 MacBook Pro，这类机器单台售价数万元。
普通街头商户用的是几百美元的轻量收银设备。把工作站级别的硬件塞进收银台，在财务账目上根本行不通。
商业落地上同样存在割裂。Square 早在 2025 年 10 月的股东信中就推出了 AI 语音电话点单，用于对接外卖与后厨。不少人推测 Dessa 会迅速接入这套体系，但 Square 至今并未采用 Dessa，也没有任何接入计划。
餐饮点单核心指标是抗噪容错、数字识别和菜品记录准确率。前台处理汉堡加不加酸黄瓜，根本不需要一个带着叹息与哭腔的情绪模型。Dessa 目前更像一场技术实验，而非能落地的商业生产力。Dessa 核心落地考量指标M4 Max硬件门槛指标可在高端芯片本地部署显存占用与发热待实测0 文本预训练先验无符号引导的黑盒训练易发生因果推理漂移未公开合规与授权训练音频时长未披露录音留存及授权条款缺失
审查真空与数据暗流
剥离文本让主流的安全对齐体系彻底失效。行业现有的安全规则基本依托字符关键词拦截，在纯音频隐空间里无从下手。截至 2026 年 10 月 24 日，业内尚无针对 Dessa 的第三方独立安全审查，未公开红队名单，声学伪造与情绪诱导风险全处于真空状态。
一个能辨识情绪低落并给出逼真哭腔的模型，一旦缺乏对齐约束，很容易滑向情感欺诈。
更深层的考量藏在隐私条款里。翻看 Dessa 官网于 2026 年 10 月 21 日生效的隐私政策，用户交互沉淀的数据，可在 Block 旗下的 Square、Cash App、Afterpay 和音乐流媒体 TIDAL 之间流通。
对一家金融企业而言，算不对账目的模型没有生产力价值。但如果把这类模型部署在移动终端，它抓取的将不再是文字，而是语速、犹疑、声调颤抖等高敏感生物特征。
这些声学特征如果流向信贷风控与消费分期画像，端侧离线就只是外壳，内部的数据流通才是真正的业务焦点。
结语
韩非子在《外储说左上》记过一句名言：画孰最难者？曰犬马最难；孰最易者？曰鬼魅最易。犬马旦暮罄于前，不可类之；鬼魅无形，故易之。
拟造没有物理锚点的叹息与抽泣最易，构建符合严谨因果逻辑的认知世界最难。用整柜 GPU 砸出一套能哭会笑的声音系统固然夺目，但在账单与支付场景下，模型不能认错常识，更不能算错结余。
缺乏毫秒级延迟验证、依赖万元级端侧硬件、背负数据贯通条款，Dessa 传出的叹息声里，包裹的始终是一副昂贵而空心的皮囊。
锐评Commentary
画鬼易而刻狗难，拟得喘息千般巧，失了符号终是虚妄；收银台前不论喜怒，账单深处只算得失。
参考来源