涂鸦智能发布PAM模型：毫秒响应、精准执行，重塑AI+IoT设备控制体验

在AI硬件加速普及的今天，“听得懂”已成为大模型的标配能力，但“做得对”才是连接AI与物理世界的真正门槛。

尤其在智能音箱、智能中控、车载语音、家居机器人等高频控制场景下，用户的期待非常直接：既要快，又要准。

而这恰恰是当下通用大模型最难兼顾的一对矛盾：

追求极速的轻量级模型：首响时间够快，但面对跨品牌设备字典与复杂意图，指令准确率掉线；

追求高智力的大参数模型：准确率够高，但思考链路过长，无法支撑设备端“亚秒级”响应，用户喊完一句话还得再等几秒。

更关键的是，通用大模型在AI+IoT控制场景中还会卡在另一道断层上：理解到位，执行掉线。

检索拖累：依赖RAG在全屋设备字典里反复检索，链路一长，响应就慢；

思考冗余：通用大模型的CoT（链式思考）在控制场景属于“过度思考”，每一次开灯都要“想一想”；

指令幻觉：跨品牌、跨协议的设备指令字段不统一，常常出现“答得头头是道，灯却不亮、空调没反应”。

如何让大模型在“速度”与“控制准确率”这条钢丝上同时走稳，是AI+IoT走向真正“开口即控”的最大挑战。

01

涂鸦PAM：为物理世界执行而生的大模型

针对AI理解与设备执行之间的断层问题，涂鸦智能正式推出PAM（Physical Action Model，物理执行大模型）。

该模型由涂鸦智能AI算法团队基于真实IoT语料进行垂直优化训练，围绕全量Schema直推、无CoT极速生成、跨品牌精准映射三条主线，打破传统AI+IoT设备控制的技术范式，为全行业AI硬件构建了实时执行的技术底座。

简单来说，PAM能让AI在面对全屋几十、上百个异构设备时，依然能做到又快又准，实现低延迟、低幻觉、跨生态的稳定执行。

02

核心突破：四大硬核能力，全面重塑设备执行体验

围绕开发者在实际AI硬件开发中面临的复杂场景，涂鸦PAM模型通过技术路线的革新，带来了体验上的多重升级：

架构革新：

零RAG+全量Schema，实现“开口即装入”的全屋认知

当前行业主流方案普遍依赖RAG检索完成设备字典查询，不仅链路冗长，而且在全屋设备规模扩大、品牌协议碎片化的现实环境中，检索延迟与错配风险会被进一步放大，直接拖累端到端体验。

涂鸦PAM模型从真实AI+IoT控制场景出发，创新性地采用超长上下文原生推理路线：将全屋设备物模型一次性载入模型上下文，摒弃运行时RAG检索；同时基于真实设备字典进行约束解码，在生成阶段就从源头压制指令幻觉，真正做到“开口即看清全屋、出口即贴合设备”。

体验突破：

无CoT+SLM架构，实现“肌肉记忆式”的极速指令

依托面向物理控制域深度优化的SLM（小语言模型）架构，以及对通用大模型冗余链式思考的剥离，PAM直接将自然语言转为结构化设备指令，形成“听清即输出、输出即可执行”的直觉式推理链路。

在真实业务环境下，该架构稳定输出了一组亮眼的数据：

模型决策时间P95≤220ms，首响显著低于业界通用大模型，真正做到“话音落、动作起”；

跨品牌设备指令精准映射准确率≥99%，字段一次对齐；

原生支持单/多意图精准拆解，复杂指令无需Prompt工程加持。

这种“无思考犹豫期”的极速控制能力，专为设备端极速响应定制，让AI硬件的交互流畅度，逼近用户对“按下开关”的直觉预期。

值得一提的是，从早期内部版本的0.481s，到正式发布的P95≤220ms，PAM决策耗时一路持续压降——这也是PAM数据飞轮“让模型与真实世界一起生长”的第一份实证。

生态原生：

跨品牌精准映射，实现“统一语义”的开放互通

跨品牌设备指令字段不一、协议碎片，是行业多年顽疾。PAM模型在设计之初，就将生态互通作为核心原则。

依托涂鸦多年沉淀的海量IoT真实语料，PAM完成了跨品牌、跨协议的统一语义对齐：无论是不同品牌的灯具、空调、扫地机器人，还是不同协议下的传感器、执行器，都能在同一套语义空间下被精准识别与调度。

这意味着，一句话调度全屋异构设备不再需要用户记住“哪个App控哪盏灯”，生态孤岛从底层被打通。在复杂家庭环境下，PAM展现出业务级泛化能力，稳健支撑真实体验。

边界自知：

诚实拒识，反幻觉的可信执行

在AI+IoT控制场景下，大模型最大的隐患往往不是“做错”，而是“假装做对”——听到陌生指令就编、明明不会还硬上，用户以为指令已经生效，实际可能错执行了完全无关的设备，或者根本没有任何动作发生。

PAM从设计之初就把“诚实拒识”作为基础能力，主动识别两类典型的边界场景，并给出明确反馈：

场景一：多指令中夹带不存在的设备

比如用户一句话说“打开客厅的灯、把空调调到26度，再启动客厅的烤箱”（而家中并无此烤箱）。通用大模型容易把“客厅的烤箱”硬匹配到一台微波炉或电磁炉，导致用户感知与实际执行错位。PAM基于全量Schema的硬约束，精准执行前两条真实存在的指令，并明确反馈“未找到客厅烤箱”——做到的事说做到，做不到的事直说做不到。

场景二：设备存在，但请求的指令越界

比如“把卧室空调调出童年回忆模式”，而该设备实际并不支持此模式或字段。PAM能识别出该指令不在设备的能力范围之内，主动告知“当前设备不支持此操作”，而不是强行映射到一个最接近的真实模式触发执行。这种“知所不能”的能力，本质上是反幻觉在物理执行链路上的工业级实现——少一次错执行，就少一次用户对AI的信任崩塌。真正可靠的物理执行能力，既要敢于行动，也要敢于说“做不到”。

03

生态赋能：即插即用，加速AI+IoT爆款诞生

作为涂鸦智能“物理世界AI基座”战略的重要组成部分，PAM模型将面向全球开发者开放集成。

通过涂鸦智能全栈开发平台，开发者可以快速将PAM模型接入到各类智能硬件形态中，重塑多场景下的执行体验：

智能音箱｜单设备指令极速响应

最高频的“开灯、关空调、调亮度”等极简指令，是智能设备最考验“执行速度”的场景。涂鸦小智音箱接入PAM模型单指令端到端响应速度小于1.5秒——PAM让设备真正做到“话音落、动作起”。

智能音箱｜单设备标准与泛化指令准确响应

用户既能说“把灯调成红色”这种精确指令，也能说“灯太亮了”、“有点暗”这种口语感受，PAM都能稳定转译为正确的亮度调节。

智能音箱｜复杂多设备指令

组合控制、跨设备协同……复杂意图考验的不再是“反应快”，而是“听清+拆得对+执行稳”的综合能力。

对开发者或企业而言，这意味着：

无需从零构建：无需耗费高昂的研发成本去组建大模型团队、采购海量IoT控制语料、自训设备控制模型。

即插即用：依托涂鸦完善的AI+IoT全栈生态，硬件、云端与模型能力实现快速接入与高效调优，控制能力天然贴合设备形态。

缩短研发周期：极大降低了具备“理解+执行”一体化能力的AI硬件门槛，助力企业以极低的开发成本抢占全球AI硬件的市场先机。

PAM的价值，不仅在于让一盏灯亮得更快、一台空调响应得更准。更重要的是，它正在为AI与物理世界之间搭建一条稳定、高效、可信的执行通路。

从理解到行动，从生成内容到驱动设备，从数字世界走向真实世界。PAM，正在成为AI硬件时代的物理执行底座。