标签
Inworld 以 Apache-2.0 许可证发布了 Voice Isolator v1:包含两款 48 kHz 人声分离模型(离线模型和具有 20 毫秒前瞻的实时模型),用于清理含噪语音录音、直播流和语音数据集,并在 Hugging Face 和 GitHub 上提供 Python 包和命令行工具。
Liquid AI 发布了 LFM3-Audio-2B,这是一款紧凑的 20 亿参数音频模型,可在笔记本电脑和边缘设备上本地运行,支持语音对话、18 种语言的多语种语音、音频理解以及工具调用,配备自研音频编码器和 LiquidCodec 分词器。
Liquid AI 发布了 d1-2B,这是一款基于 LFM3-VL-2B 构建、拥有 19.2 亿参数的决策模型,可处理文本、图像和视频。它无需生成 token,仅通过一次前向传播即可返回经过校准的类型化答案,实现毫秒级推理,并在开放的 d1 基准测试中取得领先成绩。
Liquid AI 发布 LFM3-VL-2B,一款面向端侧视觉理解的 1.92B 视觉语言模型,支持文本、图像和视频输入,并引入视频理解、逐步思考以及空间与具身推理能力。
inclusionAI 发布 Ming-3.0-audio-flash,一个 126B 总参数(每步激活 6.5B)的原生音频-语言 MoE 模型,支持中英文语音识别、语音问答、长音频理解、音频推理以及可选的语音合成输出,采用 MIT 许可证。
NVIDIA 发布 Nemotron-3.5-Embed-1B-BF16 多模态嵌入模型,支持文本、图像及图文混合输入的文档检索,文本检索覆盖 34 种语言,图像检索覆盖 18 种语言,可用于语义搜索和 RAG 工作流。模型采用 OpenMDW-1.1 许可,允许商用。
一本由Dr. Carl Burch撰写的免费书籍《Computing Systems Organization》在CC许可下发布,包含16份关于现代计算系统概念的文档。
NVIDIA发布了Nemotron 3开放模型,提供了Nano、Super、Ultra三种尺寸,通过混合Mamba Transformer、潜在MoE和多token预测等架构创新优化硬件效率,并采用Open MDW 1.1开放许可协议。