作者两年实测:不用扩散头,后训练 Transformer 直接生成音频
kastnerkyle · x · 2026-11-11
作者 yaboilyrical 发布长文《I have no diffusion head, and I must scream》,总结了约两年对多模态语言模型做后训练的实践经验:不依赖扩散头,直接后训练 vanilla transformer 来生成音频。文章系统讲了 post-training 多模态 LLM 的真实工作原理与踩坑,是少见的一手音频生成工程复盘,适合研究多模态与音频生成的人精读。
「多模态」频道最新
- ComfyUI 挑战赛亚军 Creativefield 开源:免费 AI 版 Photoshop 替代品 — bfl_ai · 2026-11-11
- ComfyUI 挑战赛冠军 ComfyArt:开源全本地 AI 设计画布上线 GitHub — bfl_ai · 2026-11-11
- 纯代码画出 728 万笔肖像，Fable 5.2 生成艺术引发热议 — repligate · 2026-11-11
- 「波音 Bench」走红:AI 比赛用 Gemini 4 和 Fable 5.2 造 747 客机 — victormustar · 2026-11-11
- 单卡 5080 跑 MiniMax H3:300 个随机提示词、每张约 23 秒 — JoNike · 2026-11-11
- 同一提示词实测:FABLE 5.2 与 Gemini 4 Argon 中世纪手抄本画风对比 — teortaxesTex · 2026-11-11