奇绩大模型日报（7月 4日）

用户150

用户1188

用户5537

用户8534

用户887

用户4513

2024年7月4日修改

推特

Kyutai Labs端到端音频模型演示

Moshi 和 Alex 的太空冒险之旅 🚀

法国 AI 实验室 Kyutai 拥有 3 亿美元的资金，刚刚发布了开源的 GPT-4o 竞争者 Moshi。​

Moshi 是一个实时多模态模型，可以听、听懂和说话。

代码、模型和论文将很快发布。

@kyutai_labs

50%

Thomas Wolf评论Kyutai Labs完全端到端音频模型演示：基本上，他们抓住了基本点。这项互动语音技术已经在这里了。它很快将成为一种显而易见的商品​

今天，@kyutai_labs 的完全端到端音频模型演示是一个重大事件，很多人没有注意到。​

基本不相关的事实是：

•
他们的演示在 OpenAI ChatGPT-4o 发布几周后推出。​

•
演示的打磨程度不如 ChatGPT-4o（在语音质量、语音时间方面）。​

相关的事实是：

•
模型训练流程和模型架构简单且具有极大的可扩展性，像 Kyutai 这样的小团队（8 人以上）在 4 个月内就构建出来了。合成数据在这里起到了巨大的推动作用。​

•
专注于本地设备：Moshi 很快将无处不在。前沿模型构建者对让你本地运行小型模型的激励很低（每个 token 的价格……），但像 Kyutai 这样的非营利组织有着非常不同的激励机制。Moshi 的演示已经上线，而 OpenAI 的 4o 还处于未定状态。​

•
在保持 Llama 8B 或更高质量答案的同时，将延迟降低到 300 毫秒以下是互动性的关键推动因素，这是一个改变游戏规则的进展。当模型在你还没问完问题时就已经回答了，这种感觉非常奇妙，或者当你在模型说话时打断它，它能够做出反应……预测编码模型能够瞬间更新你要说的话……​

基本上，他们抓住了基本点。这项互动语音技术已经在这里了。它很快将成为一种显而易见的商品。​

50%

GPT4All 3.0：开源本地 LLM 桌面应用程序

推出 GPT4All 3.0：开源本地 LLM 桌面应用程序

•
完全私密的体验​

•
支持数千种模型和所有主流操作系统​

•
重大 UI/UX 改进​

•
本地文件聊天​

•
MIT 许可证​

点击下方开始使用：

50%

扩散强制：统一了下一词预测和全序列扩散

介绍扩散强制（Diffusion Forcing），它统一了下一词预测（例如 LLMs）和全序列扩散（例如 SORA）！它在视觉和机器人领域提供了改进的性能和新的采样策略，例如稳定的无限视频生成、更好的扩散规划等！​

50%

Karpathy分享：玩转生成式 AI 工具，采用了《傲慢与偏见》的前几句话并将其制作成视频，这里有巨大的讲故事机会​

我正在玩转生成式 AI 工具，并将它们拼接成视觉故事。在这里，我采用了《傲慢与偏见》的前几句话并将其制作成视频。​

这次使用的生成栈包括：@AnthropicAI 的 Claude 处理了第一章，生成了场景和提供给图像生成器的单独提示。@ideogram_ai 根据提示生成了图像。@LumaLabsAI 将图像动画化。@elevenlabsio 提供了旁白。@veedstudio 将所有内容拼接在一起。​

50%

奇绩大模型日报（7月 4日） ​