Qwen3-Omni-30B-A3B-Instruct
PulseAugur coverage of Qwen3-Omni-30B-A3B-Instruct — every cluster mentioning Qwen3-Omni-30B-A3B-Instruct across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
EmpirioLabsAI 发布 Aplomb 1，一款拥有 1M 上下文的 5.3B 决策模型
EmpirioLabsAI 发布了 Aplomb 1，这是一款开放权重的决策模型，拥有 53 亿参数。该模型拥有 100 万 token 的上下文窗口，并能在单次请求中处理文本、图像、视频和音频。在决策指数的 8 项基准测试中，包括 MMLU-Pro 和 GPQA Diamond，它在高达 53 亿参数的模型中取得了最高分。Aplomb 1 基于 Qwen3.5-4B 和 Qwen3-Omni-30B-A3B-Instruct 构建，…
-
全方位流式思考通过延迟声明来改进全模态推理
研究人员推出了一种新颖的方法——全方位流式思考（Omni-Streaming Thinking, OST），以增强流式全模态模型的推理能力。OST通过延迟声明直到可以根据未来证据进行验证，从而解决了过早的跨模态承诺问题，并减少了听觉幻觉。该方法利用结构化输出来包含当前证据、未来预测和待定声明，然后对同步的音频和视频数据进行严格检查。OST在五个基准测试中平均性能提升超过10%，优于现有的开放基线，并引入了OST-DiagBench以进…
-
SEAR系统在多语言语音挑战赛中准确率达90.92%
研究人员为多语言对话语音语言模型（MLC-SLM）挑战赛开发了一个名为SEAR的系统，准确率达到90.92%。该系统通过将ASR转录转换为事件跨度来调整Qwen3-Omni-30B-A3B-Instruct模型，然后利用这些跨度来合成语义和声学选择题。这些选择题使用Qwen3.6-27B生成语义选择题，使用Gemini 3.1 Flash-Lite生成声学选择题，并经过严格的验证步骤确保数据质量。
-
MLC-SLM挑战赛：新方法提升多语言语音任务表现
研究人员为第二届MLC-SLM挑战赛开发了新颖的方法，专注于多语言对话语音任务。在说话人日志和识别方面，他们使用随机前导静音裁剪和指数移动平均策略等技术对VibeVoice-ASR-7B模型进行了微调，通过降低tcpMER提高了性能。在对话语音理解方面，他们创建了合成问答对，并对Qwen3-Omni-30B-A3B-Instruct模型进行了微调，实现了显著的准确率提升。
-
微调LLM在新基准测试中表现不一，凸显数据挑战
一个在巴巴多斯报纸上训练的300亿参数微调模型Qwen3-Omni-30B-A3B-Instruct，在多个基准测试中表现出性能提升。虽然一个基准测试显示事实回忆和专有名词识别能力显著提高，但另一个侧重于TikTok内容提取的基准测试却显示性能下降，原因是假阳性增加和类型混淆。另外，一个微调的Mistral 7B模型展示了LoRA适配器在日志中检测个人数据的有效性，凸显了用于准确评估的健壮且具有代表性的数据集的关键重要性。