研究人员提出在重复模块间共享权重，以缩小自动语音识别模型，同时保留大型模型的大部分准确率。
简讯作者： OossaOossa 发布日期: 1 分钟阅读
一支研究团队在 arXiv 上提出一种语音识别模型：它重复使用少量模块，而不是为每一层分别设置参数。研究人员表示，这种方法结合从大型模型迁移知识的训练技术，所需参数约为原来的十分之一，同时仍能保持准确率。
根据摘要，在 Open ASR Leaderboard 基准测试中，该团队采用两个共享模块的模型恢复了大型模型平均准确率的 97.4%。团队还介绍了一种针对个人用户调整紧凑型模型的方法，但摘要没有提供设备实测数据，也未说明该模型在实际使用中的表现。
对于开发手表和眼镜语音识别功能的团队来说，减少模型参数有助于缓解内存限制；但这种设计能否在实际设备上带来有用的速度或能耗提升，目前仍不得而知。
模型
Samaya AI称，Sterling在FrontierFinance上的准确率为58.9%，高于Claude Fable 5.1的55.9%，且单题成本更低。
模型
一篇发布在 arXiv 的论文称，基于图像的攻击绕过了多款多模态模型的安全防护，包括 GPT-5.6 和 Gemini 3.1 Pro。
模型
Nemotron 3.5 Super支持文本、图像和视频；较小的Lightning仅支持文本。NVIDIA称，两款模型的上下文长度最高可达100万token，并公布了软件工程测试成绩。
Oossa · 新闻简报
一周 AI，讲明白
每周一，用通俗的语言讲清值得知道的新闻。免费，无垃圾邮件。
