字节跳动Seed推出SeedRealtime，一种原生的音视频全双工大语言模型
字节跳动的Seed团队推出了SeedRealtime，这是一种原生的音视频全双工大语言模型，它将音频、视频和文本融合在一个统一的架构中。与传统的ASR、VLM和TTS模块级联堆栈不同，SeedRealtime并行运行感知、理解、决策和表达，以在连续的多模态流上实现实时交互。
字节跳动的Seed团队推出了SeedRealtime，这是一种原生的音视频全双工大语言模型，它将音频、视频和文本融合在一个统一的架构中。与传统的ASR、VLM和TTS模块级联堆栈不同，SeedRealtime并行运行感知、理解、决策和表达，以在连续的多模态流上实现实时交互。
字节跳动宣布承诺在不依赖AI蒸馏技术的情况下开发其下一代AI模型。
MiniMax在Hugging Face上发布了开源权重的H3全模态视频生成模型，该模型具备原生立体声功能，可通过单次前向传递驱动视频。该模型支持2K分辨率、24fps的 clips，时长为5到15秒，并允许每次生成最多接受9张参考图像、3个视频和3段音频。
抖音发布了其多模态嵌入（DME）模型的技术报告，该模型结合大规模对比预训练与潜在推理，实现了强大的判别能力和效率。