
击败GPT、Gemini,复旦×创智孵化创业团队「模思智能」,语音模型上新了 (opens in a new tab)
近日,由复旦邱锡鹏担任首席科学家的模思智能发布了多说话人自动语音识别(ASR)模型 MOSS-Transcribe-Diarize,不但可以语音转文字,还可以将音频片段与对话中不同的说话者关联起来,性能超过了 GPT-4o、Gemini、豆包等一众模型。
Total 39 articles

近日,由复旦邱锡鹏担任首席科学家的模思智能发布了多说话人自动语音识别(ASR)模型 MOSS-Transcribe-Diarize,不但可以语音转文字,还可以将音频片段与对话中不同的说话者关联起来,性能超过了 GPT-4o、Gemini、豆包等一众模型。

人类心理学说服策略可以有效迁移至LLM 你有没有试过让ChatGPT骂你一句?(doge) 它大概率会礼貌拒绝:私密马赛,我不能这样做orz 但最新研究表明,只需要擅用一点人类的心理技巧PUA,AI就会乖乖(骂你)听话。

每一天都在。14个月,8个月,我们还在这里。

「我今天从Anthropic辞职了!」 9日凌晨,一条推文在X上炸开: 过去三年,我在OpenAI和Anthropic做预训练研究。两家公司都没有负责任地行事。它们正直奔自我改进的超级智能,拿我们所有人的命下注。 发帖人Jacob Coxon,是GPT-4o的核心贡献者。 今年年初,他因为Anthropic的安全声誉从OpenAI跳槽过去。 几个月后,他不只是离开Anthropic,而是连整个AI行业一起退出。 我们正走在很多最激进情景的轨道上,到明年底,情况可能已经失控。 在帖子中,他还将这种AI竞赛及其终局称作是「一场傲慢的赌博」,认为这种赌博,「不该从一家私人公司的Slack里发动」。

颜水成团队发布语音领域首个实时“流式双脑架构”记忆框架,左脑记信息,右脑记住你。 编辑丨岑峰 科幻电影曾无数次预演过AI与人类共生的场景。但在2026年的今天,尽管GPT-4o、全双工模型、Inter

超快速 AI 生图领域再破性能天花板!香港科技大学唐靖团队、香港科技大学(深圳分校)胡天阳、小红书 hi-lab 罗维俭提出全新通用强化学习框架 TDM-R1,精准破解超快速扩散生成的核心痛点 —— 仅需 4 步采样(4 NFE),便将组合式生成指标 GenEval 从 61% 飙升至 92%,

NUS、ZJU、UW、Stanford、CUHK 联合提出 「ThinkMorph」,主张让文字与图像在统一架构里「原生协作」、「共同演化」,而不是像当下大多数多模态模型那样,看完图像就闭上眼睛,后续完全靠文字链条推进。仅用 2.4 万条数据微调 7B 统一模型,视觉推理平均提升 34.74%,多项任务比肩甚至超越 GPT-4o 和 Gemini 2.5 Flash。

文本领域的大模型满分选手,换成语音就集体挂科?大模型引以为傲的多轮对话逻辑,在真实人声面前竟然如此脆弱。Scale AI正式发布首个原生音频多轮对话基准Audio MultiChallenge,直接撕开了大模型靠合成语音评测维持的优等生假象。实验显示,强如Gemini 3 Pro在真实场景下的通过率也仅过半数,而GPT-4o Audio的表现更是令人大跌眼镜。

语音,或许是最快跑通 PMF 的模型。 沉寂已久的语音大模型的市场,在 2025 年又重新热了起来。 硬件端,如果以单品销量突破百万为标志,那么 Plaud 为代表的 AI 转录笔、AI 耳机,这些与 AI 语音强绑定的硬件,或许是大模型落地中为数不多成功的品类。 同时,伴随阿里、字节等大厂,华米 OV 等传统硬件公司,乃至 ikko、时空壶、黄鹂智声等创新硬件公司下场,语音 AI 硬件已经成为炙手可热的品类。 硬件端的热度,传导到算法层:今年以来,包括 OpenAI GPT-4o 语音系列、Anthropic Claude 语音模式、Mistral Voxtral 系列、ElevenLabs

当大模型参数量冲向万亿级,GPT-4o、Llama4 等模型不断刷新性能上限时,AI 行业也正面临前所未有的瓶颈。Transformer 架构效率低、算力消耗惊人、与物理世界脱节等问题日益凸显,通用人工智能(AGI)的实现路径亟待突破。