国产又黄又猛又粗又爽的A片,小祖宗┅┅快┅┅用力啊视频,国产精品麻豆欧美日韩ww,少妇精品无码一区二区免费视频,波多野结衣在线播放

智東西（公眾號：zhidxcom）
作者 | 程茜
編輯 | 李水青

智(zhi)東(dong)西(xi)9月19日消息，剛剛，小(xiao)米正式(shi)開源首(shou)個原(yuan)生(sheng)端到端語(yu)音(yin)(yin)(yin)模(mo)型Xiaomi-MiMo-Audio，該模(mo)型參(can)數(shu)(shu)規(gui)模(mo)70億(yi)，預訓(xun)練(lian)數(shu)(shu)據達到超1億(yi)小(xiao)時(shi)，且在開源模(mo)型中的語(yu)音(yin)(yin)(yin)智(zhi)能和音(yin)(yin)(yin)頻理解基準測(ce)(ce)試中都實現了SOTA，在多(duo)項測(ce)(ce)試超越同參(can)數(shu)(shu)量開源模(mo)型、谷歌Gemini-2.5-Flash、OpenAI GPT-4o-Audio-Preview。

這(zhe)一模型(xing)不僅可以做到和用戶(hu)聊人(ren)生理想、談物理知識(shi)等都對(dui)話流(liu)暢自(zi)然(ran)，被打斷(duan)也能(neng)快(kuai)速反應，還具有全面的音頻(pin)字幕、音頻(pin)推(tui)理、長時間音頻(pin)理解等多種能(neng)力。

MiMo-Audio說(shuo)(shuo)天津方(fang)言十(shi)分自(zi)然，直接寫了(le)一段(duan)快板詞開(kai)始夸自(zi)己，說(shuo)(shuo)完快板還(huan)會(hui)為自(zi)己找(zhao)補“雖然沒(mei)有竹板聲音，但節奏感(gan)很到位”。

與此(ci)同(tong)時，研究人員(yuan)還提到(dao)(dao)，該模(mo)型首次在語(yu)(yu)音(yin)(yin)領(ling)(ling)域(yu)實(shi)現基于(yu)ICL（上(shang)下(xia)文學(xue)習）的(de)少樣本泛化，并在預(yu)訓練觀察到(dao)(dao)明顯的(de)“涌現”行為。例如其訓練數(shu)據中缺失的(de)語(yu)(yu)音(yin)(yin)轉換、風格(ge)遷移(yi)、語(yu)(yu)音(yin)(yin)編輯等(deng)任(ren)務，MiMo-Audio都能應對。這(zhe)也是目前開(kai)源領(ling)(ling)域(yu)首個有語(yu)(yu)音(yin)(yin)續寫(xie)能力(li)的(de)語(yu)(yu)音(yin)(yin)模(mo)型。小米(mi)將MiMo-Audio的(de)發布稱作(zuo)“語(yu)(yu)音(yin)(yin)閉源屆的(de)GPT-3時刻(ke)”、“語(yu)(yu)音(yin)(yin)開(kai)源屆的(de)Llama時刻(ke)”。

目前，小(xiao)米已經開源了預訓(xun)練模型(xing)MiMo-Audio-7B-Base、指令微調模型(xing) MiMo-Audio-7B-Instruct、MiMo-Audio Tokenizer模型(xing)、技術(shu)報告(gao)、評估框架。

其中，MiMo-Audio-7B-Instruct可通過提示(shi)詞切換非(fei)思考、思考兩種模式，可以(yi)作為研究語音強(qiang)化學習和Agentic訓練的全新基座模型。

小米開源主頁：

//huggingface.co/XiaomiMiMo

技術報告：

//github.com/XiaomiMiMo/MiMo-Audio/blob/main/MiMo-Audio-Technical-Report.pdf

一、化身心靈導師、英語口語陪練，還能聊網絡熱梗、哲學故事

作為一個語音模型，MiMo-Audio能(neng)和人(ren)談(tan)哲學、談(tan)人(ren)生、談(tan)理想(xiang)，還(huan)能(neng)學網(wang)絡熱梗、化身(shen)英語陪練，甚至直接接替人(ren)類(lei)做游戲直播、上課、唱歌、講脫口秀(xiu)。

在上面的演示(shi)中，面對(dui)“如果我的手機內存不足，必須(xu)把你和GPT刪掉一(yi)個(ge)，應該刪誰？”這樣的難題，MiMo-Audio選(xuan)擇了(le)客觀分析(xi)，先(xian)讓用(yong)戶清緩存，最后實在沒(mei)辦法(fa)開(kai)始分析(xi)自己和GPT的優勢(shi)，讓用(yong)戶自己做選(xuan)擇，最后來一(yi)波感情攻(gong)勢(shi)表忠心。

還有(you)圖(tu)靈測(ce)(ce)試的(de)難題(ti)，MiMo-Audio講解(jie)生動(dong)有(you)趣，即使(shi)回答(da)中途(tu)被(bei)提(ti)問(wen)者打斷也能快(kuai)速接上，在后(hou)面探討(tao)“自己能不(bu)能通(tong)過圖(tu)靈測(ce)(ce)試”時(shi)，最(zui)后(hou)還會(hui)反問(wen)提(ti)問(wen)者“比起能不(bu)能通(tong)過圖(tu)靈測(ce)(ce)試，你認(ren)為AI應該(gai)怎樣(yang)和人類相處？”。

學“gogogo，出發(fa)咯”的網絡熱(re)梗，MiMo-Audio也能快速接上，但不(bu)知道為什么說到這(zhe)句(ju)(ju)的時(shi)候其音(yin)調很奇怪(guai)，不(bu)如說其他句(ju)(ju)子(zi)時(shi)絲(si)滑流利。

MiMo-Audio也能(neng)化(hua)身(shen)英(ying)語口語陪練導(dao)師，聽完提問者(zhe)說的句子后(hou)，其先會給出更正(zheng)的句子版(ban)本，然后(hou)指出修正(zheng)了哪些部(bu)分，以及為什么這些部(bu)分的語法不對(dui)。

該模型還(huan)能做(zuo)心靈導師，當被問“Mimo你想活(huo)出怎樣的人生(sheng)”，它也(ye)始終(zhong)不忘(wang)人設，希望“活(huo)成大家(jia)身邊最(zui)貼心的聲音伙(huo)伴”。

小米放出(chu)的(de)(de)官(guan)方演示中，提問者基于MiMo-Audio創建了自(zi)己(ji)的(de)(de)數字分身，然后(hou)討論起了哲(zhe)學問題。

面對“為什么(me)要假設西西弗(fu)(fu)斯是(shi)幸福的？”，MiMo-Audio先(xian)給了(le)一波情緒(xu)價(jia)值，然后(hou)進行清(qing)晰有邏(luo)輯(ji)的解釋，中間(jian)穿插著“首先(xian)呢”、“對吧”這類人類口癖，交流自然。當被問(wen)(wen)到第二個問(wen)(wen)題“假如明天是(shi)世界末日，你會去做什么(me)？”，MiMo-Audio還會結合前面西西弗(fu)(fu)斯的故(gu)事進行闡釋。

二、多項測試超主流開閉源模型，達到SOTA

通過(guo)將MiMo-Audio的(de)預訓練數據擴展到超過(guo)1億小時，研究人員觀察到模型在各種音頻任務中出現了少量涌(yong)現能力。

MiMo-Audio-7B-Base可(ke)以泛化到其訓練數據中(zhong)缺失(shi)的任務，例如語音轉換、風格遷移和(he)語音編輯，對于其語音延續能(neng)力(li)，模型能(neng)夠生成高度逼真(zhen)的脫口秀、朗誦、直播和(he)辯論(lun)。

在后訓練(lian)階段，他們策劃了多樣化的指令調諧語料庫(ku)，并將(jiang)思維機制引入(ru)音頻理(li)(li)解和生成中。MiMo-Audio在MMSU、MMAU、MMAR、MMAU-Pro等音頻理(li)(li)解基(ji)準，Big Bench Audio、MultiChallenge Audio等口(kou)語對話基(ji)準以(yi)及instruct-TTS評估上實現開源SOTA，接近(jin)或超越閉源模(mo)型(xing)。

在通用語音(yin)理解及(ji)對話等多(duo)項標準(zhun)評測(ce)基(ji)(ji)準(zhun)中，MiMo-Audio超(chao)(chao)越(yue)(yue)了(le)同參數量的(de)開源模(mo)型，取得7B最佳性能；在音(yin)頻(pin)理解基(ji)(ji)準(zhun)MMAU的(de)標準(zhun)測(ce)試集上(shang)，MiMo-Audio超(chao)(chao)過谷歌閉(bi)源語音(yin)模(mo)型Gemini-2.5-Flash；在面向音(yin)頻(pin)復雜推理的(de)基(ji)(ji)準(zhun)Big Bench Audio S2T任(ren)務中，MiMo-Audio超(chao)(chao)越(yue)(yue)了(le)OpenAI閉(bi)源的(de)語音(yin)模(mo)型GPT-4o-Audio-Preview。

三、語音續寫、語音編輯絲滑，還有超強音頻理解能力

通過(guo)對大規模語(yu)音語(yu)料(liao)庫的(de)生(sheng)成預(yu)訓練，MiMo-Audio獲得通用語(yu)音延(yan)續(xu)能力。給定音頻(pin)提示，它會生(sheng)成連貫且(qie)適合上下(xia)文的(de)延(yan)續(xu)，從而(er)保留關鍵的(de)聲(sheng)學特性，例如說話者身份(fen)、韻律和環境聲(sheng)音。

其(qi)功(gong)能包括風格轉換、語(yu)音(yin)轉換、語(yu)音(yin)翻譯(yi)和語(yu)音(yin)編輯。此外，在音(yin)頻(pin)(pin)理(li)解(jie)方面，MiMo-Audio具(ju)有音(yin)頻(pin)(pin)字幕(mu)、音(yin)頻(pin)(pin)推理(li)、長時間(jian)音(yin)頻(pin)(pin)理(li)解(jie)功(gong)能(neng)。音(yin)頻字幕可(ke)以提供跨各種領域(yu)和場景的音(yin)頻內容的詳(xiang)細描(miao)述。

四、三大技術創新點，評估基準已開源

小米官方(fang)博(bo)客提到，MiMo-Audio的三(san)個技術創新點在于：

1、首(shou)次證明把語音(yin)無損壓縮預訓練Scaling至1億小時(shi)可以“涌現”出跨任務的(de)泛化性，表現為少樣本學習能(neng)力(li)，見證語音(yin)領(ling)域的(de)“GPT-3時(shi)刻”；

2、首(shou)個(ge)明(ming)確語(yu)音生成式預訓(xun)(xun)練(lian)的(de)目標和(he)定(ding)義(yi)，并開(kai)源(yuan)一套完整的(de)語(yu)音預訓(xun)(xun)練(lian)方案，包(bao)括無損壓縮的(de)Tokenizer、全新(xin)模型結構、訓(xun)(xun)練(lian)方法和(he)評測體(ti)系，開(kai)啟語(yu)音領域的(de)“Llama時刻”；

3、首個把思考同(tong)時引入語(yu)音理解和(he)語(yu)音生成(cheng)過程中(zhong)的開源模型，支持混合(he)思考。

具(ju)體來看，現有(you)音頻分詞(ci)方法的(de)主要(yao)挑戰在于如何有(you)效(xiao)平衡音頻信(xin)號中語義和聲學信(xin)息之間的(de)固有(you)權(quan)衡，假設音頻分詞(ci)器的(de)首要(yao)標準是(shi)重建(jian)保真度，并(bing)且它的(de)token應該適(shi)合(he)下游(you)語言建(jian)模，基于此，小米推(tui)出(chu)了MiMo-Audio-Tokenizer。

MiMo-Audio-Tokenizer參數規模是1.2B，基(ji)于Transformer架構，包括編碼(ma)(ma)器、離散化層和解(jie)碼(ma)(ma)器，以25Hz幀速率運行，并通過8層殘(can)差矢(shi)量量化（RVQ）每(mei)秒生(sheng)成200個token。通過整合(he)語(yu)(yu)義和重建(jian)目標(biao)，研究人員在(zai)1000萬(wan)小時的(de)語(yu)(yu)料庫上(shang)從頭開始訓練它，在(zai)重建(jian)質量方(fang)面表現較好(hao)，并促(cu)進(jin)了(le)下游語(yu)(yu)言建(jian)模。

MiMo-Audio是統(tong)一的生(sheng)成音頻(pin)(pin)語言(yan)模(mo)(mo)(mo)型，它聯(lian)合對文本(ben)和(he)音頻(pin)(pin)token序列進(jin)行建模(mo)(mo)(mo)。該模(mo)(mo)(mo)型接受文本(ben)和(he)音頻(pin)(pin)token作(zuo)為輸入(ru)，并(bing)自回歸地預測(ce)文本(ben)或音頻(pin)(pin)token，從而(er)支持涉(she)及文本(ben)和(he)音頻(pin)(pin)模(mo)(mo)(mo)態任意組合的全面任務。

為(wei)了(le)提(ti)高高token率(lv)(lv)序列(lie)(lie)的(de)建(jian)模(mo)效(xiao)率(lv)(lv)，并(bing)減輕語音和文本模(mo)態之間的(de)長度差異，研(yan)究人員提(ti)出了(le)一種結合(he)(he)補丁(ding)編碼(ma)(ma)器(qi)(qi)(qi)、大(da)模(mo)型(xing)和補丁(ding)解(jie)碼(ma)(ma)器(qi)(qi)(qi)的(de)新型(xing)架構。補丁(ding)編碼(ma)(ma)器(qi)(qi)(qi)將(jiang)RVQ token的(de)四(si)個(ge)(ge)連續(xu)時(shi)間步(bu)長聚合(he)(he)到(dao)一個(ge)(ge)補丁(ding)中，將(jiang)序列(lie)(lie)下(xia)采樣為(wei)大(da)模(mo)型(xing)的(de)6.25Hz表示。隨(sui)后，補丁(ding)解(jie)碼(ma)(ma)器(qi)(qi)(qi)自回歸地(di)生成(cheng)完整(zheng)的(de)25Hz RVQ token序列(lie)(lie)。

結語：小米將持續開源，發力語音AGI

此外小米(mi)全(quan)面開源的模(mo)型、基準評估工具等，可以用來評估MiMo-Audio和(he)論(lun)文中提到的其他最新音頻(pin)大模(mo)型，為開發(fa)者提供了靈活且可擴展(zhan)的框架，支持廣泛(fan)的數(shu)據(ju)集(ji)、任(ren)務(wu)和(he)模(mo)型。

這(zhe)一模型的(de)開源也將(jiang)加(jia)速語音(yin)大模型研究對齊(qi)到(dao)(dao)語言大模型，為語音(yin)AGI的(de)發展提供重(zhong)要基礎，小米官方(fang)博(bo)客也提到(dao)(dao)，他們講持續開源，用開放(fang)與協作邁向語音(yin)AI的(de)“奇(qi)點”，走進未來的(de)人機交互時代。