dettato 音频转 MIDI:21M 模型反超 1.3B
dettato 用约 21M 参数完成音频转 MIDI,模型体积约为 muscriptor 1.3b 的 1/60。项目称其测试表现领先,但数据、效率口径和训练方法仍待独立复现。
tamserve 将 SAM 3 检测与 EdgeTAM 跟踪拆分,在单张 RTX 4090 上比 Meta SAM 3 tracker 快 4 倍,并保留 92% 准确率。本文拆解其多摄像头架构、资源复用方式与部署边界。
dettato 用约 21M 参数完成音频转 MIDI,模型体积约为 muscriptor 1.3b 的 1/60。项目称其测试表现领先,但数据、效率口径和训练方法仍待独立复现。
Google DeepMind 已通过 Project Genie 开放 Genie 4。它能根据文本、图像或视频生成可交互环境,但距离成为可靠的 Agent 训练场,还要跨过物理规律、长任务一致性和现实偏差三道门槛。
有转载称 Claude 的预训练数据包含蛋白质序列,但 Anthropic 尚未确认。本文拆解证据、评估方法,以及 LLM 与科学工具结合的可行路径。
YC F26 团队 Axonnic 用前臂袖套读取 EMG,解码手指动作并估算力度,目标是给灵巧机器人补上视频捕捉不到的发力信息。
Fortune 报道 OpenAI 解散机器人团队,并称通用模型已开始运行机器人。组织调整不等于退出市场,路线是否成立还要看迁移成本与安全指标。
Google SWE 用 48 个 AI Agent 在 72 小时内筛查 NASA Lidar 数据。本文拆解任务分工、证据验证、成本边界,以及多 Agent 如何放大错误。
Pietro Miotti 的 Agent 团队参与发现一处此前未被测绘的玛雅遗址。本文拆解其搜索、规划、实地考察与证据留存流程,并区分 Agent 的实际贡献和人类研究者的专业判断。
两人实验室用约 2 万美元从零训练 PJIT-21K,并以 Apache 2.0 发布权重。本文拆解训练、推理、许可证和部署成本,给 AI Agent 与多模态团队一套评估清单。
Martin Fowler 讨论语音大模型与实时应用架构。真正难的环节,不只是把 ASR、LLM 和 TTS 串起来,而是控制端到端延迟、打断与系统状态。
Destined AI 开源窄带宽 TTS 模型 Hurston-1,支持 Southern American 与 Regional African English。本文拆解授权数据、模型定位、部署成本和评测边界。
Lynch Lab 的测试中,10 岁研究者开发的 CNN 在皮肤病变分类任务上超过 GPT-4o 和 Claude 3.5。这个结果能说明什么,又有哪些数据仍需补齐?