Cartesia提出H-Nets：直接从原始字节学习，大幅降低训练计算

Cartesia推出的H-Nets展示了一种直接从原始字节进行学习的神经网络方法。与传统模型依赖分词、归一化或手工特征提取不同，H-Nets将原始字节流作为直接输入，省去了繁琐的预处理链路。这种设计不仅简化了数据管道，还使模型能够更通用地适配文本、语音、基因序列以及传感器信号等多种字节级数据。报道指出，H-Nets在基准测试中达到了可比的性能表现，同时训练计算开销显著降低。这意味着在相同效果下，模型训练可以更省算力、更快迭代，对低资源研发团队和端侧部署尤其有利。字节级建模近年来被视为提升序列模型通用性的关键方向，H-Nets的进展进一步说明，绕过人工中间表示、让模型从更底层信号中自主学习，正在成为高效序列建模的重要趋势。若该方法能在更多模态和更大规模实验中得到验证，将有助于降低大模型训练与推理成本，并推动通用序列智能的发展。