和语音 AI 对话时，通常得等你说完，它才开口；一旦插话、多人交谈或现场有噪声，节奏就容易乱。Gander 想把这种“轮流说话”改成持续在线的协作：模型一边接收视频、语音和文字，一边判断该听还是该说，用户可以随时打断，它也能主动追问或汇报进度。
最具体的一步，是把各类输入和模型输出按时间切成小块，再排进同一条序列；模型在每一块都预测“听”或“说”。这让全双工交互——双方可同时听说——不再主要依赖外部模块判断一句话何时结束。系统同时采用“Cerebellum–Brain”分工：Cerebellum 负责低延迟交流，Brain 负责较慢的规划、推理和工具调用，并可异步把阶段结果送回对话。Brain 还能免训练替换成更强的推理模型。作者称其在噪声、多人交流和简短应答等场景中表现稳健，但目前没有专门的 Omni Interaction Agent 基准，相关能力仍主要依赖既有测试与主观演示判断。