搜索 AI 资讯

讯飞星火，90后上前线

一场组织重构 1990年，一位17岁的理科生下了一个重要决定。 他放弃保送清华大学汽车工程专业的机会，选择中国科学技术大学专攻语音合成技术，9年后，他和十几位科大学子创办的“车库....

TraceQuery：从扩散语言模型的完整去噪轨迹中学习哪些部分需要重新计算

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

Oddin：通过图像生成的自蒸馏实现统一多模态模型中的潜在视觉推理

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。尽管视觉潜在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中实现潜在的视觉推理。Oddin用紧凑的潜在标记取代中间图像，这些标记完全由理解分支处理，而生成分支则专门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

阿波罗首席经济学家称AI对科技业外美国企业“零财务回报”

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发布自研AI图像生成模型Canva Craft，采用两阶段设计规划架构

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发布首款自研图像生成模型Canva Craft，面向全用户开放

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。

Amazon SageMaker上线Kokoro-82M TTS模型，支持AI语音代理低延迟流式语音合成

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。

Amazon SageMaker TTS服务实现测量驱动的自动扩缩容：以Kokoro-82M模型为例

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。

Mistral发布Voxtral 3语音智能体SDK：支持50+语言实时语音交互与情感化TTS

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上线生成式AI音乐标签：标注“AI创作”而非禁止

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。