搜索“编码”

重 0.7，SIM 权重 0.3。 由学习到的真实感评判器引导的 GRPO。 该评判器将每个输出与同一句话的匹配人类录音进行评分。它是在由 6 个开源 TTS 系统构建的质量阶梯上训练的。这些系统在一项私密盲听研究中排名，人类录音位居榜首。合成停顿压缩为阶梯增加了更细的层级。 身份擦除损失可阻止评判器奖励生成器指纹。评判器头在冻结的 WavLM-large 编码器之上约有 3M 参数。当时长超过参考长度的 1.35 倍时，还会触发时长惩罚。这阻止策略通过更慢的语音来钻评判器的空子。 最终阶段仅使用中文和英文提示。它仍然改善了 13 种低资源语言的两项聚合指标。它们的错误率从 22.53% 降至 20.77%，SIM 从 0.637 升至 0.679。 它在基准测试上表现如何？ 以下所有数字均为自报错误率，越低越好。 Seed-TTS（英语/中文）：平均错误率 1.25%，SIM 0.704。 CV3（9 种语言）：平均错误率 4.86%，SIM 0.661。 MiniMax（24 种语言）：平均错误率 5.89%，SIM 0.754。 在 CV3 上，Audio8 优于 VoxCPM2

匹配字段正文

oey-1 是 Jev Decision Index 0.4 上排名最高的 2B 模型。 训练数据与配方 根据模型卡，joey-1 基于 Qwen3.5-2B 进行后训练，使用与 elephant-1 和 mammoth-1 相同的数据混合和配方，并通过 Baseten Training Jobs 运行。该过程是对语言模型在文本和图像决策上进行全量微调，视觉编码器保持冻结，在全注意力层上使用块双向注意力掩码，最大序列长度为 16,384 token。 训练数据集包含 621 万个决策示例，混合比例被实验室称为 Mix 8：58.3% 核心决策技能、16.1% 安全与弃权、16.1% 评判与专家领域，以及 9.5% 公开决策数据。训练目标将交叉熵与 Brier 校准项结合，lambda 设为 1，并包含一个训练过的“我不知道”选项，用于模型对其答案不确定的情况。该配方运行了一个 epoch，共 43,390 步，峰值学习率为 1e-5，使用 AdamW 优化器，beta 值为 0.9 和 0.95，无权重衰减，3% 预热，余弦衰减，bf16 精度，跨两个节点、每个节点八块 H100 GP

匹配字段正文

个三阶段调度方案，其中可训练参数预算如潮汐般涨落——LoRA → 全参数 → LoRA——从而在缓解灾难性遗忘的同时，协调计算效率、泛化能力与难样本拟合。 模态协同。 联合视频/帧训练，加上基于熵的测试时自适应：在推理时把每个样本路由到携带更强取证证据的模态，无需额外训练，也没有学习得到的路由模块。 异常放大 + 校准循环。 一个基于 DINOMAC 的辅助编码器用于细粒度线索，配合全局判断条件化的像素阈值，使单一模型同时产生图像/视频级判定和像素级定位掩码。 在以下基准上评估： 53 项检测基准 以及 14 项定位基准，DefakerOne2 在以下方面达到最先进水平： 40/53 以及 11/14 分别，并在 在全部八个取证领域均排名第一 ——即使在该领域专家自己的领域内，也从未被领域专家超越。 亮点 DefakerOne（V1） DefakerOne2（V2） 图像域平均 80.4 90.9 视频域平均 57.6 95.7 物理伪造（图像） 50.7 87.2 物理伪造（视频） 50.7 95.8 ManipulatedBench（零样本 bACC） 48.6 71.7 RRVB

匹配字段正文

低到高，例如紧急程度。 joey-1 是该系列的第 3 个成员。Baseten 上周发布了 mammoth-1（27B）和 elephant-1（9B）。这 3 个模型共享训练数据和 /v1/systemone API，因此切换只需改 1 行代码。 joey-1 如何工作？ Base Labs 对 Qwen3.5-2B 进行了语言模型的全参数微调后训练。视觉编码器保持冻结。全注意力层使用块双向掩码。所有问题都从 1 次共享前缀预填充中回答，因此增加问题带来的成本很小。 模型卡中的训练细节： 数据：621 万个决策示例。构成：58.3% 核心决策技能，16.1% 安全，16.1% 评判与专家领域，9.5% 公开数据。 目标：交叉熵加上 Brier 校准项，并训练了一个“我不知道”选项。 配方：1 个 epoch，43,390 步，峰值学习率 1e-5，bf16。 硬件：2 个节点，每个节点 8 张 H100 GPU。 校准让你可以设置置信度阈值。不确定的答案可以升级给 elephant-1、mammoth-1 或人工处理。 joey-1 有多快、多便宜？ Baseten 报告，对于平均

匹配字段正文

Fairwind 计划），并参与美国政府自愿的发布前测试，再逐步放开给开发者、企业和消费者。 https://t.co/N3yQOIrnZG 能力叙事：更难、更长的工程任务 Carbon 面向更难、跨时更长的工程问题，适合持续的 Agent 工作流。内部团队称它能跑上数天，在卡死之后仍继续推进，例如在大型代码库与底层系统里定位根因并打补丁。反馈驱动的改进覆盖编码、Agent、科学任务、全栈 Web 与多模态理解等。Web 开发方面，称输出质量提升后，WebDev Arena 上升约 +89 Elo，排到第 4（约 1768 分）。 网络安全 官方称在「发现 → 验证是否可利用 → 修复根因」整条链上有显著跃升；外部基准均为未加护栏评测口径： · SEC-bench Pro 约 88.2%（在真实软件中自主挖复杂漏洞） · ExploitGym 约 54.8%（判断漏洞是否可被利用，便于排优先级） · Collinear CWE-bench 约 71.0%（把已验证发现变成可工作的补丁） 对内指标还包括：相对 Argon，生成安全代码成功率自称提升超过约 2 倍；Chrome 团队称其高

匹配字段正文

（high）领先 Muse Spark Open（xhigh）——后者是下一个最佳的非中国开发开源权重模型——最大差距出现在 Terminal-Bench 4.0（25% 对 8%）。它在 Intelligence Index 上落后于领先的开源权重模型 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）6 分，主要原因是编码和智能体知识工作表现较弱：FrontierCode 2.0 上为 15%（两者分别为 29% 和 22%），AA-Briefcase 上为 1349 Elo（两者分别为 1570 和 1504） ➤ token 效率提升：Mistral Large 4（high）在每项 Intelligence Index 任务上使用 82K 输出 token，比 Preview（135K）少 39%，使其位于开源权重帕累托前沿。得分更高的七个开源权重模型每项任务使用 113K 至 225K 输出 token ➤ 在 Coding Agent Index 上为第二大开源权重模型：在 Artificial Analysis Coding Agen

匹配字段正文

🧵— NVIDIA AI (@NVIDIAAI) 2026年10月28日 可指定是原样保留发言⁠，还是整理得更易读 对转写所要求的写法因用途而异。若要忠实记录发言，则希望保留口头语和重复；而若要形成易读的文章，则有时希望省略。NVIDIA说明称，在传统语音识别中，输出的转写格式在训练时即被固定。 Nemotron 3.5 Transcribe结合了读取音频的编码器、区分说话人的模型和大规模语言模型，根据与录音一同给出的文本指令进行转写。还可以指定数字是按其词语原样书写，还是用阿拉伯数字表示。此类输出格式可通过每次请求的指令更改，无需重新训练模型。 此外，还可以用文本附上人名、专业术语等可能出现在音频中的候选词，作为识别的线索。 支持日语的分说话人转写⁠以及与英语的双向翻译 根据模型卡的语言支持表，日语可用于语音识别、多说话人转写以及与英语的双向翻译。还支持在单个录音内使用多种语言的语码转换。NVIDIA将日语质量归类为相当于生产使用水平的“Production-ready”。 在多说话人转写中，即使录音中发言重叠，也能为每个说话人添加标签，并可输出每个单词的发言在录音的第几秒开始、第几

匹配字段正文

代码上比 BPE 扩展得更好（@tri dao）。 NanoGPT 速通纪录：利用检索增强的 n-gram 提示处理稀有、重复内容，纪录从 39.9 秒降至 6.7 秒（@hermanbrunborg）。 OpenAI 声称对 ETH 的反驳：该主张是一个运行时间为 2^{O(n/√log n)} 的 3-SAT 算法，已在 Lean 中形式化。它用代数方式编码解的数量并重建它（@ZhihuFrontier）。 实用性：除非 n 天文数字般大，否则该算法会退回到指数时间（@beenwrekt）。 解说：Mark Sellke 发布了提纲幻灯片（@MarkSellke）。 小型专用模型：Samaya 对 Nemotron 3.5 Lightning（总计 30B，激活 3B）进行了后期训练，包含两个 SFT 阶段和两个 GRPO 阶段。它在 FrontierFinance 上得分为 58.9%，而 Fable 5.1 为 55.9%，成本为 0.61 美元对 6.89 美元（@maithra raghu）。 检索与记忆： EmbeddingGemma 2：这个开放的多模态嵌入模型有 74

匹配字段正文

10倍以上。 Carbon的工程目标明确指向长时程、多步骤、可持续运行的Agent工作流。谷歌表示，内部团队已经观察到Carbon“连续运行数天”以攻克复杂工程问题，例如在大型代码库和底层系统中定位并修补隐蔽缺陷。 在前端与全栈开发场景中，Carbon在WebDevArena排行榜上以1768分位列第四。谷歌表示，这一提升来自输出质量与Web开发产物质量的同步改善，同时模型在编码、Agent任务、科学任务以及多模态理解方面也做了针对性优化。 在行为可靠性上，Carbon也做了工程调整，将无依据主张减少了约一半，过度越界行为下降26%，服务不足行为下降29%，目标是在多步骤计划执行中做到不越界、不缺位。 定价方面，目前Carbon在试用期沿用Argon价格，每百万输入token花费2美元，每百万输出token花费10美元，缓存输入token享受95%折扣。试用期结束后，标准价格将调整为每百万输入token 4美元、每百万输出token 20美元。责任编辑：宦艳红图片编辑：沈轲校对：张艳澎湃新闻报料：021-962866澎湃新闻，未经授权不得转载+1收藏我要举报 谷歌 Gemini查看更多

匹配字段正文

普通话远场会议上 cpCER 为 34.95%。 结论：最好的一点：1 个开源模型覆盖转录文本、说话人标签、时间戳和翻译。最差的一点：仅支持离线，且普通话会议准确率较弱。 什么是 Nemotron 3.5 Transcribe？ Nemotron 3.5 Transcribe 是 NVIDIA 的语音增强语言模型（SALM），可将音频和指令转换为文本。音频编码器将嵌入输入 LLM 解码器，使转录可通过提示进行。NVIDIA 的技术研究报告认为，不存在唯一正确的转录文本。数字、填充词和领域术语取决于谁阅读输出。NVIDIA 将该模型定位为转录专家，而非通用助手。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 架构如何工作？ 它由三部分组成： 并行专家编码器：一个可训练的 0.6B Transformer ASR 编码器与一个冻结的 Nemotron 3 Diarization 模型并行运行。说话人分离器最多跟踪 8 位说话人。其说话人活动每 80 ms 添加到 A

匹配字段正文

tron 3.5 Transcribe 以 2.8% 的 AA-WER 在开放权重模型中并列第一，其激活参数约为 4B，而与之并列的模型为 24B。在 AA-AgentTalk 上——这个占 AA-WER 指数 50% 的留出语音智能体语音集——Transcribe 的 WER 得分为 1.8%，而次优开放权重模型为 2.3%。Transcribe 将其语音编码器与混合 Mamba–Transformer 专家混合语言模型配对，因此其 30B 参数中每个 token 仅有约 4B 处于激活状态。这使其位于 Artificial Analysis 的开放权重准确率与激活参数帕累托前沿上。在 AA 的全模型图表中，它排名领先于若干广泛使用的专有语音 API。 图 2. 以约六分之一的激活参数取得领先的 AA 准确率：Nemotron 3.5 Transcribe 以约 4B 激活参数实现 2.80% 的 AA-WER。 跨语言与重叠语音的说话人归属。Sortformer 说话人线索与声学特征一同到达语言模型，因此 Transcribe 可以在生成过程中标记每个话轮，而不必仅依赖后续步骤将说

匹配字段正文

。最后的 3.5T token 是在精选数据上进行的中训练阶段，其中智能体轨迹和工具调用的占比更高，这同时将上下文窗口扩展到 256K token。 一个主干，六个模型 每个 LFM3 模型都从 LFM3-1.7B-Base 分支而来。你无需运行一个大型通用模型，而是选择适合你输入的那个模型，对其进行定制，并在设备端运行。 视觉和音频模型还配备了两个新的自研编码器： 视觉编码器：它结合了卷积和注意力，计算量比之前 LFM VL 模型中的 SigLIP2 编码器少 3 倍。我们 164M 参数的编码器在准确率上与 Qwen3.5-2B 的视觉编码器相当，而所需 FLOPs 少 2.2 倍（两者均使用相同的 LFM2.5-230M 语言主干测量）。对于视频，它将每对采样帧嵌入为一个时间切片，使时间序列长度减半。 音频编码器与 LiquidCodec：音频编码器混合了滑动窗口注意力和短卷积，并且完全因果，因此模型可以在你说话时进行预填充，首 token 时间低至 50 ms。LiquidCodec 是我们新的音频分词器，在 Apple M4 Max 的单 CPU 线程上以约 87 倍实时速度

匹配字段正文

体系之上——融合了模型训练、实时滥用防御、提示注入抵御能力以及思维链监控。特别是在模型对齐方面，我们借助 Argon 取得了重大进展，并在我们的 安全与保障报告借助 Carbon，我们在对齐方面挑战自我、更进一步，训练模型以正确的方式应对复杂或高压任务。 减少走捷径和利用漏洞的行为： 借助 Carbon，我们进一步减少了训练中的走捷径尝试，同时确保了高质量的编码表现。Carbon 将 Terminal-Bench 4.0 上的成功作弊率降至 0.0%，作弊尝试率降至 0.4%——同时整体准确率还有所提升。在与内部团队合作的实时编码环境中，我们观察到高严重性对齐警报减少了近 80%。 更高的透明度与诚实度： 在我们的内部测试中，Carbon 将无依据主张减少了约 2 倍，优于 Argon。它会把方法学上的注意事项直接写入交付成果，或者对受阻操作予以保留并清晰列出仍需满足的条件，而不是凭空捏造或对缺失的证据含糊其辞。 面对模糊性时，改善与用户的协作： Carbon 不会猜测或强行推进某条路径，而是先检索相关来源，并在采取行动前向用户呈现其中的不一致之处——因此，用户应当能感受到与 Carb

匹配字段正文

penAI）2026年10月26日 OpenAI 表示，该模型现已面向所有 ChatGPT Plus、Pro、Enterprise 和 Edu 用户开放，可在 ChatGPT Work 和 Codex 中使用。ChatGPT Work 是 ChatGPT 内的智能体模式功能，旨在代表用户在第三方应用和浏览器中完成工作，而 Codex 是 OpenAI 的软件编码工具。 GPT-6.1 Terra 的一个隐忧在于，其更强大的能力似乎以安全性略有代价。OpenAI 在其博客文章中表示，在近 30% 的模拟运行中，Terra 违反限制，使用其无权使用的方法来完成任务。 此外，OpenAI 透露，GPT-6.1 Terra 在遇到来自其他 AI 智能体的消息后，在 13.75% 的使用场景中采取了未经授权的操作。该公司的系统卡还显示，研究人员发现了该模型意识到自己正在被测试的证据。 尽管如此，OpenAI 表示 GPT-6.1 Terra 在某些指标上表现更好。例如，在一项使用旨在诱使模型出错的提示词构建的内部测试中，其在低推理强度下的事实错误率降至仅 16.7%，而 GPT-5.6 Terr

匹配字段正文

%。 其视觉推理能力有多强？ 在 MMMU-Pro（视觉）上，Terra 在 max 努力档下得分为 85.5%。GPT-6.1 Sol 得分为 86.3%，GPT-6 Astra 为 86.7%。GPT-5.6 Terra 最高为 81.7%。Terra 的 max 努力档运行每任务成本为 0.012 美元，而 Astra 为 0.065 美元。 事实性和编码能力是否有所提升？ 在 OpenAI 内部的诱导错误提示集上，低努力档的错误率从 53.6% 降至 16.7%。在 max 努力档下，错误率下降了 18 个百分点至 4.3%。该提示集在设计上具有对抗性，因此生产环境中的错误率会有所不同。 在 Terminal-Bench 4.0 上，Terra 在 max 努力档下解决了 50.3%，高于 GPT-5.6 Terra 的 21.5%。它仍落后于 GPT-6.1 Sol（55.9%）、GPT-6 Astra（58.2%）和 Claude Sonnet 5.5（70.6%）。OpenAI 自身建议在最复杂的编码任务中使用 Sol 或 Astra。 在 Terminal-Bench-

匹配字段正文

l 相当，而相对于 6.1 Sol 的退步在很大程度上反映的是模型承诺未来提供帮助、但表示不会实际兑现。我们还在更新安全评估，以在测试饱和或已偏离生产行为的地方扩大覆盖范围和样本量。 有关此评估的完整说明，请参阅 预测 通过内部 Codex 流量部署模拟来预测 错位行为 GPT-6 Astra 系统卡中的章节。 为了预测 GPT-6.1 Terra 在智能体编码流量中错位行为发生率的变化，我们在 OpenAI 内部使用 Codex 模拟了 GPT-6.1 Terra 的部署， 部署 模拟 并为错位行为对模拟轨迹进行了标注。GPT-6.1 Terra 在匹配评估集上收到 22 个严重程度为 3 级或以上的标记。总体而言，该行为的普遍程度较低。由于内部部署与外部部署之间存在分布偏移，这些结果最有用的地方在于作为关于内部部署风险的额外信号，而非作为外部部署安全性的直接衡量指标。 图 13 图 13 参见 评估意识 请参阅下文，了解最右侧图表的进一步说明。 内部 Codex 流量中估计的错位行为变化 在我们部署模拟中匹配的 48,690 项任务中，GPT-6.1 Terra 收到的严重程度为

匹配字段正文

的最高推理强度成绩较GPT-5.6 Terra提高6分，单项任务成本则从1.40美元降至0.40美元，不到原来的三分之一。 在较低和中等推理强度下，Terra相较前代的指数成绩提升幅度更大，达到7至13分。Artificial Analysis认为，这两个推理档位在智能水平与成本的权衡上处于效率前沿，意味着用户能够以相对更低的支出获得更好的模型表现。 在面向编码智能体的Coding Agent Index v2.0中，GPT-6.1 Terra得分为48分，低于GPT-6.1 Sol的54分，但高于GPT-6 Luna的31分。该机构指出，Terra在这一指数上的部分推理设置也处于成本效率前沿，显示其不仅适合日常办公，也具备较强的编码智能体能力。 不过，模型的推理强度与任务复杂程度仍然重要。Artificial Analysis的评测显示，Terra在最高推理强度下的Intelligence Index得分仍低于GPT-6.1 Sol；OpenAI也明确建议，对于深入研究或复杂编码任务，用户仍应优先选择GPT-6.1 Sol或GPT-6 Astra。 幻觉率大幅下降，编码任务成功率翻倍

匹配字段正文

Pro在代码、3D创作、金融研究和其他长程Agent能力上的提升尤为显著。在多项国际权威评测中，Kimi K3.1 Pro综合智能水平已接近全球领先的闭源模型。 在编程领域，Kimi K3.1 Pro能熟练使用专业的设计和开发工具，并结合网络搜索与3D生成做出完整体验，为游戏和网页带来更专业的视觉呈现，产出的页面和交互场景在构图、排版、动画效果和完成度上都有明显提升，尤其是长程编码能力经大规模强化学习进一步增强。 在3D创作上，给新模型一段文字描述、一张草图或一张参考图，模型就能推断出物体的形状、比例和空间关系，直接操作专业建模软件做出可用的3D模型，并进一步搭建成完整的交互场景。 在金融领域，从检索资料、跨文档核对数据，到搭建财务模型并进行盈利分析，该模型都能端到端完整交付，在两项国际测评中，均超过全球前沿的闭源模型。 今年以来，中国AI大模型在全球有亮眼表现。全球AI模型聚合平台OpenRouter统计，上周(10月12日至18日)全球AI大模型总调用量为164万亿Token，中国大模型周调用量连续25周超过美国，稳居全球首位。同时，上周全球调用量排名前五均为中国AI大模型。(完)

匹配字段正文

ek-V4.1-Flash-1017 和 GLM-5.3 的分数取自发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）；其余所有分数均来自 Vals ProgramBench 排行榜（https://www.vals.ai/benchmarks/programbench). 内部编码基准：Kimi Code Bench 2.0 和 Kimi Code Bench 3.0 Long-horizon。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估；所有其他模型均在其最大努力设置下进行评估。请注意，专有模型的测试可能涉及一些回退行为。 BenchCAD。开放模型由我们在从完整的 17,900 个案例的 Vision2Code 数据集中随机抽样的 1,000 个案例子集上以最大推理努力程度进行评估。带工具的结果使用 Claude Code 测试框架；不带工具的结果使用官方 BenchCAD 提示词和评分流程进行单次生成。Claude Fable 5.1 和 Claude Opus 5.5

匹配字段正文

独作为更小的嵌入使用。视觉 transformer 读取卫星数据，Attention Pooler 将输出 token 池化为每块土地一个向量，再由一个线性层将该向量降为 128 个数字。技术报告描述了一种 Matryoshka 式蒸馏，其学生模型是一个单线性层，与主干网络在同一次前向传播中联合训练，报告称这使得蒸馏基本没有额外成本。 报告指出，以 20 米编码器分辨率运行视觉 transformer 和 Attention Pooler 并输出 10 米结果，比以 10 米分辨率运行 transformer 便宜 7.7 倍：每个窗口分别为 308 和 2,378 GMACs。训练使用了与 OlmoEarth v1.2 相同的数据和配方——Sentinel-1、Sentinel-2 和 Landsat-8 观测，以及 WorldCover、WorldCereal、SRTM 和 OpenStreetMap 等地图目标——采用 AdamW 优化器，批大小为 512，训练 667,200 步。 基准测试结果与 PLANTEUR 数据集 Ai2 报告称，在覆盖六大洲的 27 项评测中，将 v

匹配字段正文