保留完整资讯流，用来源、主题和时间找到你关心的消息。
arXiv：2610.33008v1 发布类型：新 摘要：扩散大型语言模型（dLLMs）通过迭代式掩码去噪实现灵活的生成，但由于在每一步去噪过程中都需要反复重新计算标记表示，因此带来了巨大的推理开销。现有的基于缓存的方法通过在各步去噪中复用中间结果，并且仅在每一步重新计算一部分位置来降低这一开销，这些位置要么按固定的时间间隔选择，要么依据变化的启发式信号确定。相比之下，我们的轨迹实验表明，解码轨迹才是更为相关的指标。当缓存生成的结果始终接近完整去噪轨迹时，其准确性依然较高；误差主要集中在未掩码顺序的偏差上，并且随着较长参考前缀的逐步恢复而逐渐减小。这表明
arXiv：2610.33062v1 发布类型：新 摘要：统一的大型多模态模型（ULMMs）能够通过交错进行的文本-图像生成来执行视觉推理，但生成显式的中间图像会带来显著的计算开销。尽管视觉隐式推理可以解决这一问题，但现有方法大多依赖于无法进行视觉生成的视觉语言模型（VLMs）。我们提出了一种名为Oddin的新框架，能够在ULMMs中实现隐式视觉推理。Oddin用紧凑的隐式标记替代中间图像，这些标记完全由理解分支处理，而生成分支则仅用于生成最终输出图像。我们通过离线自蒸馏训练该模型，包含三项优化目标：最终图像生成损失、文本蒸馏损失以及交叉熵损失，用于
arXiv：2610.31721v1 发布类型：新 摘要：在评估成本高昂且约束复杂的高维物理系统时，如何进行优化是科学与工程领域的一项核心挑战。在离线模型基优化（MBO）中，方法必须仅利用固定的数据集来改进设计方案，而不能在测试阶段访问真实的优化目标。然而，现有方法通常存在保守性、对代理模型的无约束利用，或作为静态的推理时间采样器，无法根据精确的物理目标进一步优化候选解。本文提出了一种用于离线模型基优化的可微扩散条件化（D2C）方法，该方法利用了这样一个事实：确定性采样使得反向去噪链相对于条件信号是可微的。D2C将一个 fro
arXiv：2610.31765v1 发布类型：新 摘要：从单个参考视频生成动态场景的多段视频，需要在不同视角之间一致地合成已观测到和未观测到的内容。现有的用于视频扩散的相机控制方法通常依赖于一些架构机制，包括相机嵌入、跨视图注意力以及几何条件化。尽管这些方法对静态场景内容行之有效，但它们往往难以应对那些必须在不同视角及随时间保持一致的精细动态几何结构。我们通过在源自源视频的规范三维空间中采样高斯噪声先验，并将其光栅化为目标摄像机的视角，从而同步扩散过程本身，而非在每个二维图像平面中独立采样。我们的 m
arXiv：2610.31819v1 发布类型：新 提要：推测解码是一种通过从速度更快、质量较低的草稿模型中采样，从而提升自回归大型语言模型（LLMs）推理速度的技术。传统上，推测解码的一个基本特征是相对于验证器分布而言无损，能够在不牺牲质量的前提下实现提速。这与近期发展的扩散型LLMs（dLLMs）有所不同；后者通过以更少的扩散努力降低输出质量，从而显著提升推理速度。由于扩散模型能够通过并行生成标记来实现比自回归模型更快的采样，因此它们被视为推测扩散中理想的草稿模型候选者。尽管如此，它在广泛
arXiv：2610.32042v1 发布类型：新 提要：跨语言配音旨在将源语言语音转换为目标语言语音，并使其与原视频保持同步。这一任务的关键在于生成忠实且在源语言时长节奏下自然可说的译文，而这并不容易，因为不同语言在音长、节奏和发音方式上存在差异。本文提出了一种名为 X-Dubbing 的方法，将该任务建模为一种同时考虑时间约束的语音转文本翻译与视频感知的文本转语音问题。具体而言，我们的方法由一个能够生成具有时间结构脚本的配音翻译器，以及一个能按照源视频节奏同步朗读这些脚本的配音演员组成，二者均基于一种与语言无关的时间预算。此外，我们还通过 dubbing 对翻译器进行了进一步优化。
arXiv:2610.31747v1 发布类型：新 摘要：现有的3D会说话的虚拟形象方法主要依赖于参数化人脸模型，包括3DMM或FLAME，而这些模型紧凑的运动表示限制了其合成极端表情以及建模诸如头饰等配饰的能力。我们提出了一种名为AudioLift的两阶段框架，该框架以生成的多视角视频作为音频驱动虚拟形象生成的中间表示，无需使用参数化人脸模型或针对每个实例进行优化。我们的框架将同步的多视角视频生成阶段与一种抗不一致性高斯重建阶段相结合，从而仅凭一张肖像图像即可恢复出连贯的全头几何结构。大量实验表明，AudioLift能够生成捕捉更多表情变化的3D会说话虚拟形象
阿波罗全球管理公司首席经济学家托尔斯滕·斯洛克分析S&P 493（标普500剔除7家科技巨头）发现，非科技企业利润边际与人均营收持平，无证据显示AI提升生产力；其指出AI缺乏对问责、信任、文化等商业关键要素的理解，因而尚未带来财务收益。
推荐理由：该观点基于对主流上市公司群体（S&P 493）的实证观察，引用明确数据范围与限制条件（排除Alphabet、Amazon等7家科技公司），并呼应近期多项研究结论，具备可验证的分析框架与清晰的归因边界。
Canva推出首个自研AI图像生成模型Canva Craft，通过先规划后生成的两阶段架构，提升设计精度、一致性和可控性；支持2K分辨率与30余种画幅，面向社交媒体、营销内容及数字艺术等场景。
Canva正式推出其首个自研图像生成模型Canva Craft，采用两阶段生成架构，支持2K分辨率、30种比例输出，并强调文本可读性与图层可编辑性；模型基于平台内数百万人类设计模板训练，已集成至Dream Lab及API，未来将通过MCP接入ChatGPT、Gemini等第三方聊天机器人。
AWS发布技术方案，利用SageMaker托管的Kokoro-82M文本转语音模型，通过双向WebSocket实现AI代理边生成文本边合成语音，显著降低端到端语音响应延迟；方案提供Base64-SSE与统一二进制传输两种音频回传方式，并明确标注为‘价值验证型’（proof-of-value），尚未进入生产就绪状态。
AWS博客介绍了一种针对文本转语音（TTS）模型在SageMaker实时端点上部署时的实证型自动扩缩容方法，摒弃经验猜测，基于两个实测指标Q_max（单实例最大可持续并发请求数）和T_total（计划扩缩容耗时）构建可复现、可验证的扩缩策略。
IBM推出Granite Speech 5.0系列三个开源语音模型——granite-speech-5.0-2b（高精度多语种ASR/MT）、granite-speech-5.0-470m-turboctc（超快边缘端多语种转录）和更新版granite-speech-4.1-2b-plus（增强型多说话人会话建模），全部基于Apache 2.0许可，支持主流推理框架。
Mistral于2026年10月26日前推出Voxtral 3——一套面向多语言实时语音交互的端到端SDK及模型家族，涵盖ASR（含说话人分离）、推理层与TTS三大模块，强调数据主权与模块化部署，但所有性能宣称均基于厂商自测，无独立第三方验证。
YouTube Music自2026年10月起在全球范围内逐步推出生成式AI音乐内容标识标签，延续YouTube主站对AI生成视频的标注实践；该举措不构成内容下架或限制，而是响应用户对创作来源透明度的需求。
Welcome FLUX.3 Image Klein in Diffusers
译文排队中，当前为原文 · enAlgorithms & Theory
译文排队中，当前为原文 · enGenerative AI
译文排队中，当前为原文 · enGemini 3.8 text-to-speech says hello
译文排队中，当前为原文 · en使用 NVIDIA Magpie TTS 构建低密度多语种语音代理: 开放重量和全部署控制
