搜索：开源语音模型

「开源语音模型」共找到 8897 篇相关文章

全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%

MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。

吴恩达认为基于语音、可对话的AI系统在发展，语音用户界面将普及。虽不会完全取代传统界面，但会带来新应用场景。还介绍了Vocal Bridge架构，且构建语音UI可能比想象容易。

本文作者从自身经历出发，分享开源项目维护经验。指出开源目的影响项目寿命，开发者要选合适项目，避免重复造轮子。还阐述维护要点，如拥抱社区标准、有决断者、不怕改变、支持渐进迁移等。

作者花大成本从后端、人味、前端、推理等维度，对glm 5.2、kimi k3等国产模型进行测试，展示各模型在不同测试中的结果，指出国模2T俱乐部的kimi和qwen下限高，且刻板印象需改变。

一篇论文发现冒号等符号、“Thought process：”等语句能欺骗LLM，让虚假回答通过。实验表明所有测试模型都会触发假阳性响应。研究人员构建新“评委”模型Master - RM，可让假阳性率接近0%。

传统通用循环模型处理小尺度有局限，谷歌开源基于物理模拟的神经通用环流气象模型NeuralGCM，在预测突发恶劣天气出色，还介绍其动态核心、物理模拟模块等，经测试有一定优势。

GPT-4o引发“吉卜力”风暴，改变AIGC范式。昆仑万维开源多模态统一模型Skywork UniPic，1.5B参数就能接近甚至超越十几亿参数专用模型，可在消费级显卡运行，还公开全套资源。

在 AICon 大会上，智源研究院周华分享大模型行业应用。分析落地问题，提出以大模型为核心的技术路径，涵盖数据、训练等环节，还给出数据生产流程建议，分享最新开源成果。

国内外开发者亲测，美团新开源的LongCat - Flash - Chat模型速度超快，推理速度超每秒100个token。它来自美团LongCat - Flash系列，官网可直接用。该模型架构创新，训练方法高效，还做了专属和系统级优化，跑起来又快又便宜。

卡内基梅隆大学助理教授蒂姆·德特默斯与加州大学圣地亚哥分校助理教授丹·傅，就AGI是否会实现展开争论。他们还谈到算力、Agent应用等话题，看好小模型、开源模型等发展，认可中国大模型进步。