本文引入了一种新颖的两阶段框架，称为粗到细的提议细化框架（CFPRF），用于音频时间伪造检测和定位（TFDL）。与现有的音频PFD方法不同，作者利用第一阶段的帧级检测网络（FDN）来学习鲁棒的表示，以更好地指示大致的伪造区域，并在第二阶段使用提议细化网络（PRN）来产生细粒度的提议。

受到声学到语义流的启发，我们模拟了听觉处理路径的每个生理结构，并提出了一种相反的从粗到细的音频重建方法。我们使用非侵入性fMRI作为神经信号。首先，进行一个从粗到细的大脑解码过程。我们将fMRI数据解码到低维CLAP空间以获得粗粒度的语义特征，然后在这些语义特征的引导下，我们将fMRI数据解码到高维AudioMAE潜在空间以获得精细的声学特征。接下来，我们使用解码的精细神经特征作为条件，通过潜在扩

本文介绍了双模态对抗性提示攻击（BAP），这是一种新的框架，通过同时优化视觉和文本提示来越狱LVLMs。

活性检测已成为VCS中一种普遍的防御策略，主要设计用来确定语音命令是否来自真实的人类。这种方法背后的基本前提是，大多数恶意命令都是机器生成的。这些命令通常通过扬声器播放或直接通过音频文件（如WAV文件）输入到VCS API中。与这些人工产生的命令不同，真正的人类用户不会以这种方式生成语音命令。因此，通过识别人类语音的特征，活性检测旨在过滤掉这些非人类、机器生成的输入，从而增强VCS的安全性。

2024年5月，语音情感基座模型emotion2vec的新版本发布emotion2vec+。emotion2vec+ 的迭代过程最终是在 160,000 小时的语音情感数据中筛选出 40,000 小时的数据来训练 emotion2vec+ large 模型。emotion2vec+在HuggingFace的表现明显超过其他高下载开源机型。

AI应用-Tidal 引领海洋养殖革命、AI人物-凯文.凯利 AI时代的三大预测、AI工具-豆包爱学 给家长减负、AI书籍-《智能的本质》人工智能领域的巅峰之作

小米Vela系统能够支持轻量化的端侧AI大模型，这意味着即使在资源受限的设备上也能运行复杂的AI模型。这主要得益于其对多种硬件规格的适配能力，包括最小系统仅需8KB内存，并且CPU主频不限，适配任意SoC多核架构。

我们建立了一个新的大规模中英文基准测试，名为ANAH，它评估LLMs在基于知识的生成性问答场景中逐句注释LLMs幻觉的能力。与仅以结果为导向的方法不同，我们的方法促使模型对每个问题的答案进行注释，包括检索参考片段、判断幻觉类型（无/矛盾/无法验证的幻觉和无事实），如果存在幻觉，则根据参考片段纠正句子。

应对挑战，FMs和VLMs提供自动化工具和加速诊断过程来改变了病理学家的诊断工作流程。

SuperCLUE是一个中文通用大模型的综合性评测基准，其前身是CLUE（The Chinese Language Understanding Evaluation），自2019年成立以来，CLUE基准一直致力于提供科学、客观和中立的语言模型评测。SuperCLUE继承并发展了CLUE的测评体系，构建了一个多层次、多维度的综合性测评基准，以适应通用大模型在学术、产业与用户侧的广泛应用。