本期节目，我们将深入探讨 Llasa+，这是一种基于 Llasa 模型构建的加速和流式文本到语音（TTS）模型。我们将讨论其核心技术，包括多令牌预测（MTP）和创新的验证算法，如何实现显著的速度提升而又不牺牲语音质量。同时，我们还将介绍其流式声码器 XCodec2-S 的实现。

本期播客深入探讨了一项开创性的研究，该研究首次实现了使用4比特浮点数（FP4）对大型语言模型进行全面的量化训练。我们邀请了技术专家Weedge，共同讨论了这项技术如何通过优化FP4格式（如NVFP4）、创新的分裂式舍入策略以及一个关键的理论阈值，成功地在保持与BF16基线相当性能的同时，极大地提升了训练效率。我们将揭示FP4训练从理论到大规模实践的全过程，包括它如何巧妙地利用量化感知微调（QAF）来弥补最后的性能差距，预示着AI训练硬件和算法的下一个革命。

深入解读GLM-4.1V-Thinking和GLM-4.5V的技术报告。我们将探讨其创新的以推理为中心的训练框架，大规模强化学习中的挑战与突破，以及这些模型如何推动多模态人工智能的边界。

本期节目，我们深入探讨智谱AI和清华大学联合发布的GLM-4.5模型。这款拥有3550亿参数的开源巨兽，如何在智能体（Agentic）、推理（Reasoning）和编码（Coding）三大核心能力上实现顶级性能？从独特的训练方法到惊艳的评测结果，我们为您全方位解读GLM-4.5的强大之处。

深入探讨的是一篇关于'高效流式语言模型与注意力汇聚点'（Efficient Streaming Language Models with Attention Sinks）的论文。

本期节目，我们将深入探讨OpenAI最新发布的两个开源权重模型，gpt-oss-120b和gpt-oss-20b。我们将讨论它们的模型架构、核心功能、性能评估，以及大家最关心的安全问题，包括OpenAI是如何进行对抗性测试来评估潜在风险的。

深入探讨小米公司推出的开源音频语言模型MiDashengLM。我们探索其创新的“通用音频字幕”方法，该方法将语音、声音和音乐融合成一个丰富的描述。我们将讨论这种方法如何挑战传统的基于ASR的模型，从而在音频理解方面取得卓越性能和令人难以置信的效率提升。我们还将解析驱动该模型的新型ACAVCaps和MECAT数据集。

在本期节目中，我们深入探讨了用于端到端语音识别的连续整合触发（CIF）模型。我们讨论了它如何解决传统注意力机制的局限性，其灵感来源、核心算法，以及一系列创新的支持策略，并分析了它在多个标准测试集上取得的卓越性能。

本期播客深入探讨了查尔斯大学（CUNI）在IWSLT 2025同声传译任务中提交的创新系统。我们详细解读了他们如何将离线的Whisper语音模型和大型语言模型EuroLLM应用于实时同声传译，并取得了超越基线2至22个BLEU点的惊人成果。内容涵盖捷克语到英语的直接翻译，以及英语到德语、中文、日语的级联翻译方法，同时还介绍了一种新颖的ASR延迟评估方法。

本期节目，我们深入探讨Simul-Whisper，一种无需微调即可将强大的Whisper模型应用于流式语音识别场景的创新策略。我们将讨论其核心技术：注意力引导解码和截断词检测，并分析其相比传统方法的显著优势和性能表现。