在本报告中，我们提出了QWEN2.5-OMNI，这是一种端到端的多模型模型，旨在感知各种方式，包括文本，图像，音频和视频，同时以流方式生成文本和自然语音响应。为了启用多模式信息输入的流，音频和视觉编码器都采用了块处理方法 ...

由于获得高质量的阶梯监督的困难和成本，评估大语言模型（LLM）推理的分步可靠性（LLM）推理的逐步可靠性仍然具有挑战性。在本文中，我们介绍了自我游戏评论家（SPC），这是一种新颖的方法，即评论家模型可以通过对抗性自我玩游戏来评估推理步骤的能力，从而消除了对手动级别级别注释的需求。 SPC涉及对基本模型的两份副本进行微调来扮演两个角色，即“偷偷摸摸的发电机”，故意产生错误的步骤，旨在难以检测到，并分 ...

这项工作提供了一个统一的框架，用于解决视觉监督域的适应和泛化的问题。主要思想是利用暹罗体系结构来学习一个具有歧视性的嵌入子空间，并在映射的视觉域在语义上进行对齐且最大程度地分开。监督设置变得有吸引力，尤其是当只需要标记目标数据样本时 ...

我们介绍了多个实体生成（MIG）任务，该任务的重点是在单个图像中生成多个实例，每个实例都准确地放置在具有类别，颜色和形状等属性的预定位置，严格遵循用户规格。 MIG面临三个主要挑战：避免实例之间的属性泄漏，支持各种实例描述并保持迭代生成的一致性。为了解决属性泄漏，我们提出了多个现实生成控制器（MIGC） ...

我们提出了一种基于互动3D布局控制的基于扩散的文本对图像（T2I）生成的方法。已经广泛研究了布局控制，以减轻T2I扩散模型在理解对象的位置和文本描述中关系中的缺点。但是，现有的布局控制方法仅限于2D布局，要求用户事先提供静态布局，并且在布局更改下未能保留生成的图像 ...

大型语言模型（LLMS）凭借推理能力的进步而在复杂的任务上表现出色。但是，现有方法忽略了推理效率和计算效率之间的权衡，通常会鼓励不必要的长期推理链和浪费 Token 。为了解决这个问题，我们建议学习思考（L2T），这是一个信息理论增强型LLMS的微调框架，使模型以较少的 Token 实现最佳推理 ...

我们提出了第一个可以查询以查找数据集中最接近的邻居的sublinear内存草图。我们的在线素描算法将n元素数据集压缩到$ o（n^b \ log^3 n）$ o（n^{（b+1）} \ log^3 n）$ time中的大小$ o（n^b \ log^3 n）$的草图。该草图可以正确地报告满足由$ b $参数的稳定性条件的任何查询的最近的邻居 ...

大型语言模型在扩展参数时表现出了有希望的功能。但是，为大型语言模型提供大规模的计算和记忆运动成本。已采用量化方法来降低服务成本和延迟 ...