法国人工智能研究机构Kyutai最新推出突破性语音互译系统，该系统基于多流Transformer架构，可实现高保真度的实时语音到语音翻译。该技术突破传统文本中转翻译模式，直接在声学层面进行跨语言转换，并保持原说话者的...

近日，一项名为Guidance-Free Training（GFT）的技术突破引发计算机视觉领域关注。该技术通过完全消除对Classifier-Free Guidance（CFG）的依赖，在保持生成质量的同时显著降低计算成本。与传统基于蒸馏的方法不同，...

最新发表于arXiv的论文提出两种利用扩散模型生成图像回归任务中反事实解释的创新方法。研究团队通过对比像素空间和潜在空间两种技术路径，系统性地揭示了不同方法在解释稀疏性和生成质量之间的权衡关系。该方法突破...

近日，一项名为RGL的模块化框架在arXiv上发布，专为图结构数据的检索增强生成（RAG）流程提供了全新的解决方案。RGL通过其模块化设计和性能优化，显著提升了传统方法的效率，据称其速度提升了高达143倍。这一突破性...

LLaVA-MORE 是一项关于多模态大语言模型（Multimodal Large Language Models, MLLMs）的系统性研究，旨在评估不同语言模型和视觉骨干网络在 MLLMs 中的表现，并提供一个可复现的框架来比较这些架构。通过该研究，研...

近日，GitHub上发布了一个名为“Tokenize an Image as a Set”的开源项目，该项目提出了一种全新的图像生成框架。该框架通过集合标记化（set-based tokenization）和新型离散扩散方法（discrete diffusion method），...

近日，一项名为Niagara的创新框架在3D场景重建领域取得了重要进展。该框架通过从单张图像中重建户外3D场景，结合深度和法线估计，以及几何仿射场和3D高斯解码技术，显著提升了重建的精确度和效率。这一技术不仅解决...

近日，Sesame发布了一款1B规模的对话语音生成模型，并在GitHub上开源了其Apple原生MLX版本。该版本专为在MacBook等苹果设备上高效运行而优化，展示了机器学习在移动设备上的应用潜力。MLX是苹果公司推出的机器学习框...