首个开源多向量音频检索模型 WavLate 发布
antoine_chaffin · x · 2026-11-20
Aarush 等人发布 WavLate,据称是首个面向音频-文本检索的开源 late-interaction(多向量)模型:每 0.31 秒音频保留一个向量、每个词一个向量,让每个词在音频中找到最佳匹配片段。
- 在 AudioCaps 和 Clotho 两个数据集上,单一通用模型(无逐数据集微调)平均 Recall@1 达 37.9,为同测试池中 9 个开源模型最佳
- 模型权重、含挖掘难负例的训练数据、测试池全部开源
- 不同于 CLAP 的单向量对比学习方案,多向量保留了细粒度对齐能力
「研究」频道最新
- Anthropic 数学家称用 AI 攻克黎曼猜想,网友调侃,真实性待证实 — basedjensen · 2026-11-21
- 实践者吐槽:Lean 编译通过的自然语言证明,读起来仍是错的 — jasondeanlee · 2026-11-21
- 黎曼猜想真被证明了会改变什么?答案:几乎不影响日常,四页纸加 1700 万行 Lean — stingning · 2026-11-21
- 实测 11 个开源模型新注意力架构:128K 上下文显存最高省 139 倍 — bariskasikci · 2026-11-21
- 斯坦福讲座预告:医疗中的负责任 AI,从真实世界证据到 Agent 系统 — jonc101x · 2026-11-21
- 生物学家论演化 vs AI:测量工具的窄视角让模型学不到真正的多维优化 — NikoMcCarty · 2026-11-21