算法论文8

北大腾讯发布语音对话模型测试基准

深度学习自然语言处理2025-08-27

AI 摘要

北大与腾讯光子联合发布C3 Benchmark，用中英双语数据集评估语音对话模型。实验发现歧义比上下文依赖难，省略最难处理，中文复杂对话更难，揭示了模型性能瓶颈，为优化提供参考。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

开源Voila语音模型毫秒响应

Voila是开源统一语音对话模型，能以自发、实时且有情感的方式与人类互动。它采用全新端到端架构，响应延迟仅195毫秒，支持超百万种预构建声音，适用于多种语音应用。

视频扩散模型生成新视角视频时，现有方法缺显式3D结构。智象未来提出DreamWorld，用3D先验与两阶段框架，结合结构和生成能力，在多基准测试表现领先。

视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。

国立清华与英伟达团队研究《VLM-AR3L》，把Gemini 2.0、GPT-4.1等拉进考场，评估视觉裁决能力。结果显示Gemini综合最稳，开源小模型特定场景反超。还提出VLM-AR3L框架破使用瓶颈，实战超人类手写奖励。