11 月 19 日公开的 DRVEXO-4B-Unified 预印本介绍了一套将文字、图像和语音输入接入 40 亿参数语言主干的系统。它还可以分段输出合成语音,并给应用提供的候选操作排序,执行授权由应用负责。
作者报告,该模型在 MMMU 验证集的 900 道题上取得 74.22% 的准确率。在 NVIDIA GB10 上的一次预热后固定文本合成实验中,首段语音输出耗时 390 毫秒。
首段合成时间只覆盖上述固定请求。论文称计划发布权重和代码。
配图为 GETAI.APP 使用 ImageGen 生成的主题插画。
