MODUS: Decoder-Only Any-to-Any Modeling of Diverse Modalities（在新窗口打开）
Modus 用对称的 decoder-only 统一任意模态输入输出，单模型在多基准上与专精/多任务基线竞争。
- decoder-only any-to-any：模态对称、无专用 head/损失/流水线
- 可链接经中间模态生成、跨模态自验证等应用
- 多基准开箱即用，与专精及多任务基线相当
前沿论文
14 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-16 13:30
2026-07-29 周三共 2 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 0 · 音频 1 · 基础模型 1
- 生成
- 文生图 0图编辑 0视频生成 03D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 0具身智能 0
- 理解
- VLM 0OCR 0
- 音频
- 音频 1
- 基础模型
- LLM 0统一多模态 1
这一天为历史补采：作者单位只来自 OpenAlex，入选论文比每日更新少；要点由 AI 根据论文摘要生成，以原文为准。
共 2 篇
VAD to the Bone: Ultra-Tiny Speech Activity Detection for Edge Deployment（在新窗口打开）
提出 kiloVAD，用标准 Mel、纯 CNN 与剪枝/QAT，在因果帧级评测下以约 2.1k 参数达到部署级 VAD 表现。
- kiloVAD：标准 Mel、CNN-only、可调上下文/谱参数，面向嵌入式推理
- 逐层结构化剪枝+自蒸馏与角度 QAT，优于常规 QAT 约 1–4%
- 因果条件下 AVA-Speech 帧级 AUC 0.850，强调可部署因果 VAD
没有符合条件的论文。