文本到语音（TTS）模型的最新进展是由大语言模型（LLM）的整合，增强语义理解和改善语音自然性的驱动的。但是，现有的基于LLM的TTS模型通常缺乏开源培训代码和有效的推理加速框架，从而限制了它们的可访问性和适应性。此外，没有针对播客方案专门优化公开可用的TTS模型，这些模型对语音交互应用的需求很高 ...

组成图像检索（CIR）旨在使用由参考图像和描述用户意图的相对标题组成的混合模式查询从候选设置中检索目标图像。最近的研究试图利用视力语言预训练模型（VLPM）具有各种融合策略来解决该HTTP URL，这些方法通常无法同时满足CIR的两个关键要求：全面提取视觉信息并忠实地遵循用户意图。在这项工作中，我们提出了CIR-LVLM，这是一个新颖的框架，利用大型视觉语言模型（LVLM）作为强大的用户意图所感知 ...

强化学习（RL）在复杂的机器人控制任务（例如无人机赛车）中取得了杰出的成功，在该任务中，RL代理商在已知的赛车比赛中表现优于人类冠军。但是，这些代理以看不见的轨道配置失败，在使用新的轨道布局显示时始终需要完整的重新培训。这项工作旨在开发RL代理，可有效地推广到新的轨道配置而无需重新培训 ...

最近对密集矢量收集的邻居搜索在信息检索，检索增强发电（RAG）和内容排名中具有重要的应用。在许多现有方法和开源实现的情况下，对大型向量收集进行有效的搜索是一个精心研究的问题。但是，大多数最先进的系统通常针对方案，使用大量内存，无法更新的静态矢量收集以及隔离其他搜索标准的最接近的邻居搜索 ...

日常生活中广泛需要文本引导的图像编辑，从个人使用到 Photoshop 等专业应用程序。然而，现有的方法要么是零样本，要么是在自动合成的数据集上进行训练，其中包含大量噪声。因此，它们仍然需要大量的手动调整才能在实践中产生理想的结果 ...

传统研究强调了上下文信息在改善套件性能中的重要性。因此，基于深度学习的疗程方法深入设计了设计池或基于亲和力的上下文聚合模块，以取得卓越的结果。但是，这些模块不能很好地处理训练和推断过程中图像大小差异引起的上下文量表变化，从而导致垫子性能降解 ...

向量搜索在许多现实世界应用中起着至关重要的作用。除了单矢量搜索外，多矢量搜索对于当今的多模式和多功能方案变得很重要。在多矢量数据库中，每一行都是一个项目，每一列代表项目的特征，每个单元格是一个高维矢量 ...

了解连续的视频流在包括体现的AI和自动驾驶在内的实时应用中起着基本作用。与离线视频理解不同，流视频理解需要通过框架处理视频流，保留历史信息并使低延迟的能力此HTTP URL解决这些挑战，我们的主要贡献是三倍。 （i）我们通过将因果时间关注纳入预先训练的视觉 Transformer 中，开发出一种新型的流视频主链，称为流媒体 ...