字节跳动&清华大学开源多模态时序大模型ChatTS，可实现时序数据对话与推理
该工作由字节跳动 ByteBrain 团队 × 清华大学合作完成。第一作者为清华大学三年级博士生谢哲，主要研究方向为时序多模态 LLM、异常检测和根因定位。第二作者和第三作者分别为李则言和何晓，均来自字节跳动。通讯作者分别为字节跳动研究科学…
18 0 0
声浪
字节发布AI豆包 · 语音播客模型！
昨天，火山引擎旗下豆包团队推出的豆包·语音播客模型，以三大核心技术突破重塑播客内容生产逻辑。这一模型基于流式技术实现文本到双人对话式播客的即时转换，生成的自然语音在流畅度、情感表现和语义连贯性上均达到专业录制水准，甚至能通过深度搜索功能在5…
17 0 0
ICML 2025丨360° 视频到空间音频：OmniAudio 如何重新定义沉浸式体验？
当置身于一场音乐会，闭上眼睛，我们仍能凭借声音判断乐器的位置；在电影院，环绕音效让我们仿佛置身于电影场景之中。空间音频，作为一种能够模拟真实听觉环境的技术，正逐渐成为提升沉浸式体验的关键。然而，现有的技术大多基于固定的视角视频，缺乏对 36…
21 0 0
首个多模态统一CoT奖励模型来了，模型、数据集、训练脚本全开源
来源丨机器之心 近日，腾讯混元与上海 AI Lab、复旦大学、上海创智学院联合提出全新研究工作 UnifiedReward-Think，构建出首个具备长链式推理能力的统一多模态奖励模型，首次让奖励模型在各视觉任务上真正 “学会思考”，实现对…
15 0 0
VITA-Audio：开源超越GPT-4o？端到端延迟仅1.5秒，语音识别误差率低至7.5！
VITA 团队最新推出了突破性成果—VITA-Audio。作为一款端到端的语音模型，VITA-Audio 能在第一次前向传播中直接生成可解码的 Audio Token Chunk，大幅提升响应速度。 在 7B 参数规模下，VITA-Audi…
15 0 0
字节Seed首次开源代码模型，拿下同规模多个SOTA，提出用小模型管理数据范式
量子位 | 公众号 QbitAI 字节Seed首次开源代码模型！Seed-Coder，8B规模，超越Qwen3，拿下多个SOTA。 它证明“只需极少人工参与，LLM就能自行管理代码训练数据”。通过自身生成和筛选高质量训练数据，可大幅提升模型…
16 0 0
英伟达开源语音识别模型！0.6B 参数登顶 ASR 榜单，1 秒转录 60 分钟音频！
英伟达在5月1日发布了一款开源语音识别模型：Parakeet TDT 0.6B V2，其以 600M 参数登顶 Hugging Face Open ASR 榜单。 项目链接：
26 0 0
Gemini 2.5 Pro升级，成编程模型新王，单条文本提示即可生成完整应用
来源丨机器之心 今天，Google DeepMind 发布了 Gemini 2.5 Pro 的最新更新版本：Gemini 2.5 Pro (I/O edition)。 其最大的进步是编程能力大幅提升，不仅在 LMArena 编程排行榜上名列…
9 0 0
注意力机制中的极大值：破解大语言模型上下文理解的关键
近日，一项来自 ICML 2025 的新研究《Massive Values in Self-Attention Modules are the Key to Contextual Knowledge Understanding》揭示了大型语…
13 0 0
