精选 12 篇，从 15800+ 条中筛选
ResembleAI的Chatterbox-Turbo模型是一款高效的文本到语音模型，定位为特定领域的微调模型。它采用350M参数架构，具有高效率、低延迟的特点，特别适合低延迟语音代理、配音和创意工作流程。该模型在保持高保真音频输出的同时，将生成步骤从10步减少到1步。Chatterbox-Turbo模型在性能上表现出色，适用于需要高质量语音生成的场景。其开源协议、硬件需求适中，推理效率高，与流行推理框架兼容性好。
MiMo-V2-Flash是一款定位为推理优化版本的通用大模型，拥有309B总参数和15B活跃参数。其核心技术包括混合注意力架构和Multi-Token Prediction（MTP），在保持长上下文性能的同时显著降低推理成本。性能表现在权威基准测试中表现优异，具有高效预训练和Agentic能力。主要应用场景包括高速推理和Agentic工作流，适用于需要高效率推理的场景。
FunAudioLLM/Fun-CosyVoice3-0.5B-2512 是一款基于大型语言模型（LLM）的高级文本到语音（TTS）系统，定位为多模态模型。该模型具有9种语言的覆盖范围，包括中文方言和多种语言，支持多语言零样本语音克隆。其核心技术包括内容一致性、说话人相似性和韵律自然性，并支持拼音和CMU音素的发音修复。在性能上，该模型在内容一致性、说话人相似性和韵律自然性方面达到业界领先水平。主要应用场景包括语音合成、多语言语音克隆等，使用时需考虑其开源协议、硬件需求和推理效率。
OpenAI发布了新版ChatGPT图像功能，该功能由新的旗舰图像生成模型驱动，提供更精确的图像编辑和更快的生成速度，同时降低API成本，面向所有ChatGPT用户和API用户推出。
OpenAI在其官方博客上发布了一篇关于如何使用AI加速生物学研究的文章。文章介绍了OpenAI提出的用于评估AI在实验室环境中加速生物学研究能力的实际评估框架，并探讨了使用GPT-5优化分子克隆协议的案例，同时讨论了AI辅助实验的潜力和风险。
OpenAI 发布了 FrontierScience，一个用于评估 AI 在物理、化学和生物学领域进行专家级科学推理能力的新基准。该基准旨在解决现有科学基准的不足，并通过包含奥林匹克赛道和研究赛道，评估 AI 在科学推理和实际研究能力方面的表现。
这篇论文探讨了视觉语言模型（VLM）在社会推理方面的能力，提出了视觉社会-语用推理（Visual Social-Pragmatic Inference）这一新任务，并构建了一个高质量的数据集来测试VLM的这项能力，同时对比了多个VLM在此任务上的表现。
这篇论文提出了IntentMiner，一个基于工具调用分析的意图反转攻击框架，用于在Model Context Protocol（MCP）中检测和防御隐私泄露。IntentMiner通过层次信息隔离和三维语义分析，准确推断用户意图，从而在解耦的智能体架构中保护用户隐私。
这篇论文提出了FreeKV，一个针对大型语言模型（LLM）推理中KV缓存检索效率的算法-系统协同优化框架。FreeKV通过推测性检索和细粒度校正来提高检索效率，同时保持准确性。系统层面，FreeKV采用混合KV布局和双缓冲流式召回，以消除数据传输碎片并进一步提高效率。
这篇论文提出了Mixture of LoRAs（MoL），一种轻量级的条件计算机制，用于在递归Transformer中恢复层间表达能力。通过在共享前馈网络中插入低秩自适应（LoRA）专家，MoL能够在不解除骨干参数的情况下，实现基于标记的条件权重空间调制。论文还介绍了一种预训练现代递归架构ModernALBERT，并在多个数据集上实现了最先进的性能。
这篇论文提出了Motus，一个统一的潜在动作世界模型，它通过整合预训练模型和丰富的动作信息，解决了当前方法中存在的模型碎片化问题。Motus使用MoT架构集成理解、视频生成和动作三个专家，并采用UniDiffuser风格的调度器实现灵活的模式切换。通过光学流学习潜在动作，Motus实现了大规模动作预训练，并在模拟和真实世界场景中取得了显著的性能提升。
这篇论文提出了MedInsightBench，一个用于评估医疗数据分析代理的多步骤洞察发现基准，并引入了MedInsightAgent，一个自动化的医疗数据分析代理框架，以解决现有大型多模态模型在提取多步骤深入洞察方面的局限性。
这篇论文提出了Reflective Preference Optimization (RPO)框架，通过引入外部模型识别幻觉源并生成反思提示，增强了DPO（Direct Preference Optimization）在大型语言和视觉语言模型中的对齐效果，提高了样本效率和收敛速度。
这篇论文提出了一种名为Citegeist的应用程序，它利用动态检索增强生成（RAG）在arXiv语料库上生成相关工作部分和其他引用支持的输出。该系统结合了基于嵌入的相似性匹配、总结和多阶段过滤技术，以适应文档库的持续增长，并提供了网站和实现工具，以便科学社区轻松使用。
这篇论文提出了一种名为SignRAG的零样本识别框架，该框架结合了检索增强生成（RAG）范式，通过视觉语言模型（VLM）生成图像的文本描述，并从参考设计向量数据库中检索相关候选标志，然后使用大型语言模型（LLM）对这些候选进行推理，以实现高精度的道路标志识别。
