统一音频智能模型Audex：不牺牲文本智能的音频-文本大语言模型
评分
77提出统一音频文本模型且不损失文本能力，数据规模大，方法新颖。
论文结构清晰，实验充分，开源模型，质量高。
统一模型可简化多模态部署，保留文本能力利于实际应用。
2025年7月论文，紧跟多模态LLM前沿。
arXiv预印本，来自Nemotron-Labs，业界认可度高。
基础分 85 × T2 信源权重 ×0.9 = 77
精选线 70已入选精选
精选理由
论文提出创新架构和训练方法，在多个音频任务上取得SOTA，且开源模型，具有较高影响力。
AI 点评
「这篇论文值得关注，因为它展示了如何在统一多模态框架中保持纯文本模型的强大能力，这对构建通用AI智能体至关重要。对于从事语音交互、多模态LLM和AI基础设施的研究者与工程师，Audex的架构和训练方法提供了可复现的参考。尤其引人注目的是其在不降低文本智能的前提下实现音频SOTA，这解决了多模态学习的核心挑战。」
速览
Nemotron-Labs推出Audex，基于30B参数MoE文本LLM构建的统一音频文本大语言模型，采用单一Transformer解码器，统一处理音频编码和文本/量化音频输出。通过1574亿音频tokens和3205亿文本tokens的精心策划数据集进行多阶段监督训练，结合文本Cascade RL和多领域on-policy蒸馏。模型在音频理解、语音识别翻译、TTS、音频生成和语音到语音生成方面达到SOTA，同时保持文本LLM的推理、对齐、知识、长上下文和Agent能力几乎无退化。模型权重已开源。
- 模型架构：单一Transformer解码器，统一音频文本处理，与标准LLM训练推理基础设施兼容。
- 训练数据：1574亿音频tokens + 3205亿文本tokens，多阶段监督训练+文本Cascade RL+多领域on-policy蒸馏。
- 性能：音频理解和生成任务SOTA，文本能力几乎无退化。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。