深入探讨谷歌 DeepMind 最新的 Gemma 3 多模态开放模型系列，包括其架构、训练过程、性能以及安全措施。

本期播客深入探讨了Comet，这是一种为混合专家模型（MoE）设计的优化系统，通过精细的计算与通信重叠，显著提高了MoE模型的执行效率。我们将讨论Comet的两个关键设计：基于共享张量的依赖解析和自适应工作负载分配，以及它们如何克服现有MoE系统中的挑战。我们还将分享Comet在实际生产环境中的部署情况，以及它如何为大规模GPU集群节省数百万GPU小时。

本期播客深入探讨Flux，一种通过内核融合在GPU上实现快速软件通信重叠的新方法。Flux通过将通信和计算操作分解为更细粒度的操作并融合到更大的内核中，有效隐藏通信延迟，同时不影响内核效率。

本期播客深入探讨YourTTS，一个基于VITS模型并进行多项创新改进的零样本多说话人TTS和语音转换系统。我们详细讨论了YourTTS如何实现英语零样本多说话人TTS的SOTA结果，以及在VCTK数据集上与SOTA相当的零样本语音转换结果。此外，我们还探讨了YourTTS在目标语言单说话人数据集上的应用，以及通过少于1分钟语音微调模型以适应新说话人的能力。

本播客讨论了XTTS，一个在16种语言中实现最先进结果的大规模多语言零样本语音合成模型。XTTS是第一个支持低/中资源语言的大规模多语言ZS-TTS模型，并且可以在不需要并行训练数据集的情况下执行跨语言ZS-TTS。

本期播客深入讨论James Betker的论文《Better speech synthesis through scaling》，重点介绍TorToise，一种富有表现力的多语音文本转语音系统。

深入探讨Spark-TTS，一个基于大型语言模型的高效文本转语音系统，具有单流解耦语音令牌。探索BiCodec、VoxBox数据集以及Spark-TTS的创新特性。

本期播客深入探讨2020年及以后的高效Transformer模型，包括其架构、优缺点以及在自然语言处理和计算机视觉领域的应用。

本期播客深入探讨了 bilibili 发布的 IndexTTS 系统，这是一个基于大型语言模型（LLM）的文本转语音（TTS）系统。我们将讨论其在中文场景下的创新，包括字符-拼音混合建模方法，以及在语音编码方面的优化。我们还将比较 IndexTTS 与现有开源 TTS 系统的性能，并探讨其在实际应用中的优势。

本期播客深入探讨了动态内存压缩（DMC）技术，这是一种在推理时在线压缩键值（KV）缓存的方法，旨在提高大型语言模型（LLM）的效率。通过在预训练的LLM（如Llama 2）上应用DMC，可以在不增加额外参数的情况下显著提高推理吞吐量，同时保持原始模型的下游性能。