Sebastian Raschka 的文章《Understanding Positional Embeddings in Modern LLMs》总结 文章系统讲解了现代大语言模型(LLM)如何编码和处理 token 的位置信息,涵盖经典方
#开源模型 8 篇
语音 Agent 最招人烦的两件事:一吵就听错,你停下来想个词它就抢话。这两个毛病,现在各有一个能在 CPU 上跑的开源模型来治。
电话里的「嗯嗯」「对对」、话说一半被接住、两人同时开口,这些它都是听真人录音自己学会的,没人给它写规则。
它出声不靠又大又重的神经网络,而是照着「声带振动、口腔塑形」的原理现场合成,这一段只占整个模型的 0.57%。
美团 LongCat 团队开源了数字人视频模型的 1.6 版:嘴型更放松,长视频里嘴唇不再越说越红,能连续生成 10 分钟以上。它在美团自己组织的人工对比评测里排第二,仅次于字节的 OmniHuman-2.0。
AnySpeechRecognizer 让开发者更换听写引擎、标注发言人;AnyDecisionModel 直接返回选项、概率和评分。从一通客服电话,看应用怎样按任务选择模型和处理方式。
一张照片、渲染图或 AI 生成图,变成可从不同方向查看的 3D 对象。看完整发布演示、34 组输入与生成结果,以及个人显卡的显存与速度。
五个月前 Anthropic 不敢公开的“自己写攻击代码”能力,现在出现在人人可下载的智谱 GLM-5.3 上。它追到了哪一步、自带的拒绝为什么挡不住、这份出自竞争对手的报告该怎么读,一次讲清。