近日，GitHub上发布了一款名为Smalldiffusion的开源工具包，专为扩散模型的训练与采样设计。该工具包以轻量、高效和易读性为核心特点，旨在为研究人员和开发者提供一个简洁且高性能的解决方案。Smalldiffusion不仅优...

近日，一款轻量级的自回归流式文本转语音模型在GitHub上发布。该模型仅包含3000万参数，能够与任何语言模型（LLM）结合，使其具备理解和生成语音的能力，以响应通用查询。这一技术的核心优势在于，它无需对底层模型...

Segment Anything (SAM) 是视觉分析与分割领域的领先模型，但在处理视频中外观相似的对象时，可能会出现混淆。为了解决这一问题，Distractor Aware SAM 应运而生。该技术通过引入额外的记忆增强和训练机制，有效应对...

近日，GitHub上发布了一款名为FlowDec的高质量音频压缩工具。FlowDec是一款全频带音频编解码器，采用条件流匹配（conditional flow matching）和非对抗性训练（non-adversarial training）技术，能够实现48 kHz高保...

近日，GitHub上发布了一款名为Spark Text To Speech的语音克隆模型，该模型基于Qwen架构，能够通过文本输入生成高质量的语音。值得注意的是，该模型支持情感提示功能，用户可以通过输入情感指令来调整生成语音的情感...

近日，一项名为“无损加速超长序列生成”的技术框架在GitHub上开源，旨在显著提升超长序列生成的处理速度，同时保持目标模型的固有质量。该框架支持高达100K tokens的序列生成，适用于需要处理大规模数据的场景，如自...

近日，GitHub上的开源项目LightningDiT引起了广泛关注。该项目通过将潜在空间与视觉模型对齐，成功解决了扩散模型中的一些关键挑战。LightningDiT不仅在ImageNet-256数据集上取得了最先进的成果，还显著加快了训练速...

近日，GitHub上发布了一个名为CoT-UQ的创新框架，该框架旨在为大型语言模型（LLM）提供响应层面的不确定性量化。CoT-UQ通过集成链式思维（Chain-of-Thought, CoT）推理，能够更精确地评估模型在生成响应时的置信度。...