Natürliche Gespräche beinhalten Unterbrechungen und das Übereinanderreden, was für ein LLM schwer zu modellieren ist als eine einzige autoregressive Sequenz. Ich bin mir sicher, dass man ziemlich weit kommen kann, indem man eine Textsequenz mit filmähnlichen Pausen mitten im Satz erstellt, aber es scheint, dass die echte Lösung parallele Ströme des Zuhörens und Denkens beinhalten würde, wobei das Sprechen für Pausen oder bei einer Unterbrechung priorisiert wird. Das Mischen von Tokens aus verschiedenen Strömen und etwas Individuelles mit Aufmerksamkeit zu tun, scheint plausibel.