中科大把语音压到325比特每秒,老款Xeon也能实时还原
中国科学技术大学提出UMelCodec,把语音以每秒325比特的理论码率编码,再用轻量模型恢复声音。在LibriTTS英语语音测试中,它拥有1967万参数,在Xeon E5-2680 v3上的推理速度约为实时的8.36倍,同时在多项客观重建
中国科学技术大学提出UMelCodec,把语音以每秒325比特的理论码率编码,再用轻量模型恢复声音。在LibriTTS英语语音测试中,它拥有1967万参数,在Xeon E5-2680 v3上的推理速度约为实时的8.36倍,同时在多项客观重建
麻省理工学院、苏黎世联邦理工、加州大学圣迭戈分校团队提出TideCache,给混合大模型动态分配缓存显存,并利用计算间隙提前搬入下一层历史。在GB300与GH200七种模型和平台配置的内存压力测试中,Agent完成轮次相对带HiCache的
北京大学、中关村学院、西北工业大学团队提出SkillBridge,先检查Agent技能里的系统假设,再针对可疑处运行任务、查根因和修复。在Linux与macOS的回顾分析中,185次动态验证确认38个系统问题;相同样本里,随机选择达到这一产
悉尼大学、印第安纳大学、香港大学、麻省理工学院等机构提出AesDistill,让113万参数的小模型学习大生成模型的颜色选择,同时保住原照片结构。团队收集四个教师生成的64644张编辑图,在两套照片数据与16种自动评估下,学生的综合排名高于
新竹清华大学团队提出OffBeat,不增加相机和总帧数,而是重新安排各台相机按快门的时刻,再用配套重建方法恢复运动。在N3DV模拟错时采样测试中,它相对完整4DSloMo流程的动态区域画质提高3.04dB,让同步画面之间的快速动作有更多观测
马里兰大学帕克分校与杜比实验室提出FFGaussType,把已有字形和SVG轮廓转换成能放进三维高斯场景的资产。准备好表面锚点后,单个资产在RTX A6000上的前向转换只用9.1毫秒;字母进入视频后可以单独换材质、换灯光,并跟随三维透视和
Kyutai、索邦大学ISIR以及署名Google DeepMind的研究者提出AURA,其中相关工作在Kyutai期间完成。它用当前到达的语音块驱动头像,不必预读几秒录音;1.3B型号在单张H100上以每秒20.7帧生成方形576分辨率视
香港理工大学、腾讯Robotics X、剑桥大学等机构提出PhysVAM,让机械臂抓移动物体时,同时判断接下来的动作能否推动任务完成。传送带、转盘和滚瓶三类实机任务中,成功率等权平均达到64.17%,对照PUMA为36.67%;移动橙子、杯
澳门大学、新加坡国立大学、香港中文大学、北京大学等机构提出WeightCode,让语言模型写程序,直接读取和修改另一个网络的权重。在受控命令组合任务中,程序改动257个权重,把原本不会执行的新组合从0%推到99.8%;修改后的网络可以独立运
苹果团队提出Depth Pro 2,把单张照片和视频放进同一套深度估计网络,在原始分辨率下兼顾边缘清晰与前后帧稳定。最小型号在B200上处理1080p流式视频达到每秒53帧;较大型号则主攻精度,让毛发、细枝这些容易漏掉的细节也能进入距离图。
西交利物浦大学、理光软件研究中心北京、腾讯和昆山杜克大学等机构联合提出ReDraw,把残损汉简字形先描成SVG代码,再追加缺失笔画。研究用120万合成样本训练,并从320个真实字形构造适配数据;已有路径在补笔时保持不动,修复候选能按具体笔画
Meta Reality Labs与马里兰大学帕克分校提出EyeDiT,同时生成眼睛图像、角膜与虹膜结构以及OCT数据。用它的合成数据训练眼动追踪模型,在真实Nymeria眼镜图像上,视线误差中位数为3.53度;再与真实训练数据结合可降到2
Meta与牛津大学提出AVM,把照片和视频当参照,沿指定相机路线连续生成新视角。模型不先拟合显式三维场,而是检索原图与自己生成过的画面;在26个静态场景的回访测试中,保留历史检索时PSNR为28.04,去掉后降到11.13,让走远后再回头的
南京大学、上海人工智能实验室、武汉大学和复旦大学等机构提出Sightline,专门给AI生成SVG矢量图提速。它让草稿一次看得更远,再用足够宽的候选树核对;三种模型的60组设置中,相对原模型最高快13.83倍,保持原有解码规则的同时缩短绘图
谷歌把服务器部件、线缆、传感器和错误日志组织成关系图,用HardwareDx预测故障位置和维修动作。在生产A/B测试中,H100机器平均修复时间缩短18.3%,TPU缩短16.1%;同一个预训练模型还能迁移到新硬件,减少逐平台维护维修规则的
清华大学、哈尔滨工业大学深圳与深信服提出PQRS,给万相和混元视频模型换一种选择注意力重点的方式,无需重新训练。在单张H100的四个720p视频模型测试中,端到端速度达到原来的1.66至2.10倍,生成画面也更接近密集注意力版本。
腾讯在线视频团队提出One Shot Any View,输入一段已拍视频和目标相机轨迹,就能生成同段表演的俯拍、侧拍或移动镜头。它把粗糙三维点云用作位置参考,把人物外观交给原片提供;在50组同步视频测试中,整体相对旋转误差降到1.895度,
普渡大学、石溪大学、史蒂文斯理工学院和威斯康星大学麦迪逊分校等机构做出LuxTac,一块约3.5毫米厚的光学触觉薄片。它用亮度读按压、用颜色读横向形变;把压力读数交给机器人后,插销入孔从15次成功6次提高到13次,让视觉之外的接触信息直接参
Sharpa Robotics、香港中文大学和上交—Sharpa具身智能联合实验室提出SHAPE,把人类第一视角示范变成灵巧双手的学习材料。三个新任务不采任务专属的机器人示范,机器人在60次尝试中完成21次;同一模型还保留直接控制关节的路径
Meta把等待中的AI任务移到推理引擎外,再根据服务器拒绝请求的反馈调节派活速度。在相同生产流量的分类器A/B测试中,新调度器少用了43%的H100;这套服务每天承接超过3亿个线上请求,让可延后处理的工作用排队换取更小的显卡集群。