精选 15 篇，从 15200+ 条中筛选
Chatterbox-TTS 是 Resemble AI 开发的开源文本到语音（TTS）模型，旨在提供高效、高质量的语音合成。该项目针对开发者，特别是需要构建语音代理、应用或交互式媒体的企业。其核心功能是提供高效的模型架构，减少计算和VRAM需求，同时支持多语言和情感标签。技术亮点在于其350M参数的Turbo模型，通过简化解码过程，提高了生成效率。在LLM生态中，Chatterbox-TTS 通过其独特的性能和易用性，为开发者提供了一种高效构建语音应用的解决方案。
NVIDIA-NeMo/Gym项目定位为LLM强化学习环境构建库，旨在为LLM训练提供基础设施，支持环境开发、扩展 rollout 收集，并无缝集成到用户选择的训练框架中。其核心功能是构建RL环境，解决LLM训练中环境构建的难题。技术架构上，依赖Python和Ray框架，支持GPU加速。在LLM生态中，NVIDIA-NeMo/Gym的价值在于提供了一套易于使用且可扩展的RL环境构建工具，有助于加速LLM的训练和优化。
TRELLIS.2-4B是一款专注于3D生成的LLM，定位为特定领域微调模型。其核心技术为O-Voxel结构和大规模流匹配Transformer，参数量为4B。在3D生成任务中表现出色，支持任意拓扑结构、高分辨率生成和PBR材质。性能方面，在NVIDIA H100 GPU上，512³分辨率的生成时间约为3秒。主要应用场景为3D资产生成，使用时需考虑硬件需求和推理效率。
NVIDIA-Nemotron-3-Nano-30B-A3B-FP8 是一款专注于代码生成的领域大模型，采用FP8量化技术，参数量约30B。该模型在NVIDIA提供的Nemotron预训练数据集上训练，具备较强的代码生成和数学推理能力。在MMLU、GPQA等基准测试中表现优异。模型开源，适用于需要高性能代码生成的场景。
apple/Sharp模型是一款专注于图像到3D视图合成的LLM，属于特定领域微调模型。其核心技术为基于3D高斯表示的图像合成，具有快速合成时间和高分辨率图像输出。在性能上，Sharp在多个数据集上实现了新的基准，显著降低了合成时间。该模型适用于需要快速3D视图合成的场景，如虚拟现实和增强现实。其开源协议为apple-amlr，硬件需求较高，推理效率依赖于CUDA GPU。
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。
OpenAI宣布开发者现在可以向ChatGPT提交应用程序进行审查和发布，这些应用程序将被纳入产品内的新目录，便于用户发现。同时，更新了工具、指南和Apps SDK，帮助开发者构建强大的聊天原生体验，将现实世界的操作引入ChatGPT。
OpenAI宣布推出针对新闻机构的OpenAI Academy，这是一个与American Journalism Project和The Lenfest Institute合作建立的学习中心，旨在帮助新闻室有效利用AI。该学院提供培训、实际应用案例和负责任使用指南，以支持记者、编辑和出版商在报道和运营中采用AI。
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MedChat，一个多智能体诊断框架，结合了专业的视觉模型和多个角色特定的LLM智能体，以解决将LLM应用于医学影像诊断中的挑战，如幻觉、可解释性有限和领域特定知识不足。MedChat通过协调多个智能体，提高了诊断的可靠性，减少了幻觉风险，并允许通过临床审查和教育界面进行交互式诊断报告。
这篇论文介绍了Bolmo，一种全新的字节级语言模型家族，通过将现有的子词级语言模型字节化来训练，克服了子词标记的局限性，同时保持了与领先子词级语言模型相当的性能。Bolmo通过提高标记压缩率实现了与子词级语言模型相媲美的推理速度，并且可以通过利用现有的子词级语言模型生态系统进行低成本、高效的后训练。
这篇论文提出了KFS-Bench，一个用于长视频问答中关键帧采样的基准，通过多场景标注直接评估采样策略，旨在提高长视频理解的效率和准确性。
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COMMA，一个用于评估多模态多智能体系统通过语言通信进行协作性能的新基准。该基准通过多种多模态谜题，全面评估了智能体在沟通协作环境中的四个关键能力类别。研究发现，包括GPT-4o和o4-mini在内的先进模型在智能体协作中存在弱点，甚至难以超越随机基线。
这篇论文通过分析ChatGPT和Gemini在韩国大学入学考试中的表现，探讨了大型语言模型在科学推理和认知能力方面的局限性，并提出设计“AI抵抗性问题”的方法，以保障评估的公平性。
这篇论文提出了一种名为DrugRAG的检索增强生成（RAG）管道，通过从验证来源检索结构化药物知识并增强模型提示，显著提高了大型语言模型（LLM）在药房许可式问答任务上的准确性。研究通过在141个问题的药房数据集上对11个不同参数规模的LLM进行基准测试，并开发了一个三步RAG管道，展示了外部结构化药物知识集成对LLM准确性的提升效果。
这篇论文研究了检索增强生成（RAG）系统中的幻觉检测问题，提出使用符合预测方法来提高检测精度，并通过实验证明基于嵌入的检测方法存在局限性，即所谓的“语义幻觉”，即语义上合理的幻觉保留了与源文档的相似性，但引入了不可见的事实错误。
