StepAudio 3 Realtime — это модель аудио-языкового фундамента для реального времени, с непрерывным циклом слушания, разговора, мышления и действий. Включает Deep Perception для интерпретации намерений пользователя, Seamless Duplex для синхронизации аудиопотоков и Think-While-Speaking для баланса между рассуждениями и задержкой. Модель показывает высокие результаты на таких тестах, как MMSU и Artificial Analysis Full-Duplex, а также имеет коэффициент успешности задач на τ-Voice.
График появится после повторных замеров. Текущий показатель уже получен из источника.
90 голосов источникаТолько реальные замеры. История до подключения источника не восстанавливается.
Эта модель предназначена для реального времени, что делает ее подходящей для приложений, требующих немедленных ответов и естественного потока диалога.
StepAudio 3 Music — это модель генерации музыки масштаба, использующая явное музыкальное планирование и текстовое управление. Она использует поток-совпадающий диффузионный Трансформер для предсказания аудио-латентов, с дискретно-непрерывной архитектурой и моделью Mixture-of-Experts для генерации структурированной музыки.
5 дней назадDaily PapersСтатья рассматривает рекурсивное самосовершенствование (RSI) в ИИ-системах, описывая его дорожную карту от автономии выполнения улучшений до рекурсивного метасовершенствования. Она изучает RSI в различных сценариях, таких как научные открытия и программная инженерия, подчеркивая разные требования и скорости развития.
6 дней назадDaily PapersВ статье представлено Vidu S2, система с двумя компонентами: Vidu S2-Avatar для интерактивных цифровых персонажей в реальном времени и Vidu S2-Editing для редактирования видео в реальном времени. Также исследуется возможность генерации видео в реальном времени для обоих компонентов. В сравнении с предшественником, Vidu S2-Avatar предлагает улучшенную генерацию видео в реальном времени с разрешением 720p, обновление динамических ссылок и улучшенное выполнение инструкций. Vidu S2-Editing позволяет редактировать поток видео в реальном времени с функциями, такими как стиль рендеринга и замена фона.
6 дней назадDaily PapersPhysBrain 1.5 - модель для понимания физических сред, генерации действий и предсказания будущих состояний. Она использует основу визуально-языковых моделей, кодирует языковые ответы и движения как последовательности и предварительно обучается на видео взаимодействия людей. Модель показывает отличные результаты на тестах понимания физических сред.
позавчераDaily PapersLynnReal-Omni — это фреймворк генерации мультимодальных видео, объединяющий текст-в-видео, генерацию на основе изображений и структурный контроль в одном модели. Он включает 32-миллиардную общую мультимодальную трансформер-модель диффузии и версию 27B Flash для реального времени, с пайплайном данных и методом оценки для задач генерации видео.
позавчераDaily PapersZGCM-1 — модель с 7 млрд параметров, разработанная для математики и агентного поиска, с акцентом на эффективность благодаря архитектурному и системному ко-дизайну, прогрессивному учебному курсу и AI-нативному R&D-процессу. Она демонстрирует конкурентоспособные результаты по сравнению с более крупными моделями на задачах математики и поиска, с улучшениями в эффективности обучения и открытым доступом к материалам обучения.
5 дней назад