跳转到正文

GETAI EDITORIAL DISPATCH新闻报道

DRVEXO 试验模块化语音和视觉模型

一个 40 亿参数模型组合了视觉、语音和文字接口,论文分别报告视觉问答和语音合成实验。

返回资讯研究arXiv作者 · GETAI.APP查看原文

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。

AI 生成主题插画

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。

arXiv · 原文 · arXiv · 全文

配图为 GETAI.APP 使用 ImageGen 生成的主题插画。