<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[kakaZhui的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/kakaZhui</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; kakaZhui]]></copyright><item><title><![CDATA[从openai realtime api到全双工 Voice AI的实时工程架构]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160896527</link><guid>https://blog.csdn.net/kakaZhui/article/details/160896527</guid><author>kakaZhui</author><pubDate>Fri, 08 May 2026 17:44:34 +0800</pubDate><description><![CDATA[其中，文字（Semantic Information）只占 10%，而高达 90% 的信息存在于**副语言特征（Paralinguistics）**中——音色、重音、语速、迟疑（“um”, “uh”）、呼吸声、以及背景环境音。惊艳的用户体验，从来都不是大模型单一算法的魔术，而是**“NN模型的概率涌现”与“确定性物理工程的严密编排”相互妥协、相互兜底的终极产物**。这种**“胖服务端大脑，瘦客户端执行”**的事件驱动架构，确保了多模态会话中复杂的 UI 状态能够与模型的隐层状态保持严格的一致性。]]></description><category></category></item><item><title><![CDATA[大模型语音智能体评价方案：$\tau$-Voice架构]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160896168</link><guid>https://blog.csdn.net/kakaZhui/article/details/160896168</guid><author>kakaZhui</author><pubDate>Fri, 08 May 2026 17:32:24 +0800</pubDate><description><![CDATA[在τ\tauτ-Voice 中，评估指标不再是简单的 WER（字错误率）或 BLEU 分数。核心指标：任务完成率（Pass Rate / Task Completion）智能体是否正确调用了所需的 API 且参数无误？系统后端的数据库状态是否与预期完全一致？（例如：成功将订单 1024 的送货地址修改为“北京”，并全额退款了订单 1025）。可靠性（Reliability）在多次相同的设定下，智能体成功完成任务的方差有多大？（反映模型的幻觉率和状态稳定性）。]]></description><category></category></item><item><title><![CDATA[小米TTS模型之OmniVoice：Daniel Povey的k2-fsa团队力作]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160834529</link><guid>https://blog.csdn.net/kakaZhui/article/details/160834529</guid><author>kakaZhui</author><pubDate>Wed, 06 May 2026 22:36:30 +0800</pubDate><description><![CDATA[最近关注到小米的新TTS模型OmniVoice，支持zero-shot语音TTS，该模型支持惊人的，并以的极高推理速度，在多项多语种基准测试中超越了 ElevenLabs v2 和 MiniMax。与市面上主流的“文本到语义、语义到声学”的两阶段（Two-stage）级联架构不同，OmniVoice 提出了一种基于。本文尝试将从问题背景、方案设计、数据分布策略，到训练与推理的核心创新点，尝试拆解 OmniVoice 的算法设计与工程逻辑。]]></description><category></category></item><item><title><![CDATA[Step-Audio-R1.5：从单纯ASR TTS来到语音原生推理]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160720927</link><guid>https://blog.csdn.net/kakaZhui/article/details/160720927</guid><author>kakaZhui</author><pubDate>Sat, 02 May 2026 23:11:49 +0800</pubDate><description><![CDATA[在传统的 RLVR 训练框架下，模型被严格优化以提取连续、丰富的听觉上下文，并将其映射为孤立的、可验证的文本标签（例如一个类别、一个数字或一个简短的事实字符串）。为了使模型跳出“可验证奖励陷阱”，Step-Audio-R1.5 放弃了单纯依赖 RLVR 的路径，转而设计了一个精密的。多轮语音交互的优化目标是高度异构的：有些目标有明确的标准（如格式），而有些目标（如语气自然度、共情能力）是高度主观的。RLVR 通过二进制的、可自动验证的正确性信号来强化模型生成的长推理链，巧妙地避开了训练复杂奖励模型的开销。]]></description><category></category></item><item><title><![CDATA[大模型工具调用对话的工程范式对比——以 DeepSeek-V4 为切入点]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160709584</link><guid>https://blog.csdn.net/kakaZhui/article/details/160709584</guid><author>kakaZhui</author><pubDate>Sat, 02 May 2026 11:58:49 +0800</pubDate><description><![CDATA[V4 的场景二分是工程上务实的折中：不需要训练模型自主判断，也不一刀切，通过"是否处于工具调用上下文"这个客观特征区分。在大模型的能力版图里，"推理"和"知识"长期是主角，而"工具调用"则被视为一个工程细节——似乎把 JSON Schema 喂给模型、让它吐回一段结构化 JSON 就够了。Quick Instruction 揭示的不仅是产品延迟优化，更是一个范式——当主模型容量足够时，许多"需要单独小模型处理"的问题可被压缩为"主模型多头输出"，前提是愿意为此调整词表和后训练数据。工具调用并非新概念。]]></description><category></category></item><item><title><![CDATA[万众瞩目的DeepSeek-V4：迈向百万Token的极致效率]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160509335</link><guid>https://blog.csdn.net/kakaZhui/article/details/160509335</guid><author>kakaZhui</author><pubDate>Sat, 25 Apr 2026 22:39:41 +0800</pubDate><description><![CDATA[昨天突然发布的。]]></description><category></category></item><item><title><![CDATA[Hermes Agent vs. OpenClaw终极对决]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160193475</link><guid>https://blog.csdn.net/kakaZhui/article/details/160193475</guid><author>kakaZhui</author><pubDate>Wed, 15 Apr 2026 23:43:20 +0800</pubDate><description><![CDATA[2026年，如果说 OpenClaw 是 Agent 界的“Spring Boot”（极致的规范化、企业级），那么 Hermes Agent 就是 Agent 界的“Linux OS”（底层持久化、可进化、生态繁荣）。当用户交给 Hermes 一个复杂任务（如：“抓取某个特定网站的最新文章，总结后发到我的 Notion”），Hermes 首先通过 ReAct 循环使用基础工具（Browser, Shell, HTTP）跌跌撞撞地完成任务。新的记忆和新学习的技能作为不可变的后缀追加。]]></description><category></category></item><item><title><![CDATA[SkillClaw：让大模型 Agent skill在多用户生态中实现群体进化的框架]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160061394</link><guid>https://blog.csdn.net/kakaZhui/article/details/160061394</guid><author>kakaZhui</author><pubDate>Sat, 11 Apr 2026 23:06:20 +0800</pubDate><description><![CDATA[随着大模型应用步入深水区，基于 LLM 的智能体（Agent）正从单一的“沙盒玩具”转变为处理真实世界复杂任务的生产力工具。然而，现有的 Agent 系统通常面临一个致命瓶颈——部署即固化。为了解决这一问题，最近有一篇新论文**《SkillClaw: Let Skills Evolve Collectively with Agentic Evolver》**提出了一种多用户生态 Agent 群体进化框架。]]></description><category></category></item><item><title><![CDATA[重构大模型长链推理SFT的泛化机制：Rethinking Generalization in Reasoning SFT]]></title><link>https://blog.csdn.net/kakaZhui/article/details/160061074</link><guid>https://blog.csdn.net/kakaZhui/article/details/160061074</guid><author>kakaZhui</author><pubDate>Sat, 11 Apr 2026 22:40:42 +0800</pubDate><description><![CDATA[许多研究指出，使用长逻辑链进行 SFT 虽然能提升同分布的数学成绩，但在跨领域（Out-of-domain, OOD）任务上表现孱弱，甚至会引发通用能力的灾难性遗忘（Catastrophic Forgetting）。高质量的 CoT 数据，其价值在于教会模型“如何思考（How to think）”，而不是“思考什么（What to think）”。许多被报告的“SFT 泛化失败”，实际上是实验设置缺陷（如：训练轮数不足、数据质量低劣、基座模型容量太小）导致的伪像（Artifacts）。]]></description><category></category></item><item><title><![CDATA[跨越RAG的局限：深度解析 Karpathy 的 LLM-Wiki 智能体知识库架构]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159932150</link><guid>https://blog.csdn.net/kakaZhui/article/details/159932150</guid><author>kakaZhui</author><pubDate>Tue, 07 Apr 2026 23:20:21 +0800</pubDate><description><![CDATA[随着大型语言模型（LLM）的普及，检索增强生成（RAG）几乎成为了构建企业和个人知识库的默认范式。然而，RAG 在处理跨文档全局推理、知识复利以及上下文碎片化方面存在难以克服的结构性瓶颈。最近，前 OpenAI 科学家 Andrej Karpathy 提出了一种名为。]]></description><category></category></item><item><title><![CDATA[Apple LLM自蒸馏新论文：Simple Self-Distillation]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159879531</link><guid>https://blog.csdn.net/kakaZhui/article/details/159879531</guid><author>kakaZhui</author><pubDate>Mon, 06 Apr 2026 09:38:44 +0800</pubDate><description><![CDATA[概率分布呈现出**“尖峰（Spiky）”**特征：一个或少数几个正确的 Token 占据了绝大部分概率质量，而其余 Token 形成了一条长长的“干扰尾巴（Distractor Tail）”。通过 SSD，模型在物理层面被重塑：在需要精确的地方变得像剃刀一样锋利，在需要发散的地方保留了开阔的视野。在当前的大模型（LLM）研发中，针对复杂推理和代码生成任务，学术界和工业界普遍陷入了对**“高质量对齐数据”在这里，概率分布是**“平缓的（Flat）”**，散布在多个可行的分支（Branches）上。]]></description><category></category></item><item><title><![CDATA[从Claude Code代码泄漏到AI Agent逻辑设计VS龙虾OpenClaw]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159865411</link><guid>https://blog.csdn.net/kakaZhui/article/details/159865411</guid><author>kakaZhui</author><pubDate>Sun, 05 Apr 2026 23:16:27 +0800</pubDate><description><![CDATA[近期 Anthropic的Claude Code 的源码泄露事件，为业界提供了一份价值连城的“活体解剖指南”。本文将深入对比高内聚的 Claude Code 架构与高解耦的 OpenClaw 通用框架，从系统执行逻辑、上下文管理、OS 沙盒交互以及记忆提纯等维度，探讨次世代 AI Agent 在模型推理与工程落地中的创新点与代码实现逻辑。]]></description><category></category></item><item><title><![CDATA[将 Agent skill内化于模型参数的上下文：SKILL0]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159830115</link><guid>https://blog.csdn.net/kakaZhui/article/details/159830115</guid><author>kakaZhui</author><pubDate>Sat, 04 Apr 2026 17:31:02 +0800</pubDate><description><![CDATA[今天一起看下浙大、美团与清华大学联合出的论文 《SKILL0: In-Context Agentic Reinforcement Learning for Skill Internalization》]]></description><category></category></item><item><title><![CDATA[MinerU-Diffusion：OCR大升级]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159658076</link><guid>https://blog.csdn.net/kakaZhui/article/details/159658076</guid><author>kakaZhui</author><pubDate>Mon, 30 Mar 2026 23:41:16 +0800</pubDate><description><![CDATA[随着多模态大模型（如 Qwen-VL, LLaVA 等）的爆发，文档 OCR 已经从传统的“检测+识别”模块化流水线，演进为端到端的序列生成任务（如 MinerU2.5, PaddleOCR-VL）。为此，作者设计了一套**以不确定性驱动的两阶段课程学习（Two-Stage Curriculum Learning）**框架，这是极具工程落地价值的策略。如何证明 AR 模型的成功不是依靠真正的“视觉识别（看懂了）”，而是依赖“语言模型瞎猜（脑补了）”？是任务相关指标（如表格的 TEDS，公式的 CDM）。]]></description><category></category></item><item><title><![CDATA[ProactiveBench突破被动问答：更好的视频大模型评估benchmark]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159437263</link><guid>https://blog.csdn.net/kakaZhui/article/details/159437263</guid><author>kakaZhui</author><pubDate>Tue, 24 Mar 2026 23:24:40 +0800</pubDate><description><![CDATA[平均每道题的参考答案覆盖时间跨度从 5.51 秒（WEB）到 29.20 秒（EGO），甚至达到 121.03 秒（TV），充分保证了动态评估（PAUC）时坐标轴的宽阔度，避免了退化为静态 QA。：这些模型受限于训练算力和数据规模（往往只基于相对较弱的 Backbone 进行微调），导致其虽然在“交互时序架构”上是对的，但在绝对的“视觉理解特征”上落后太多。备注：开源模型往往难以遵循这种复杂的多步指令，因此在实际评测时，对开源模型采用了简化的策略，仅询问“当前片段是否包含足够信息”。]]></description><category></category></item><item><title><![CDATA[【读论文】双工语音交互中的轮次检测方案Easy Turn]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159436998</link><guid>https://blog.csdn.net/kakaZhui/article/details/159436998</guid><author>kakaZhui</author><pubDate>Tue, 24 Mar 2026 23:08:36 +0800</pubDate><description><![CDATA[在人机交互的演进史中，语音对话系统（Spoken Dialogue Systems, SDS）正经历从“半双工（对讲机模式）”向“全双工（自然对话模式）”的深刻变革。在 Easy Turn 提出之前，构建一个具备 Turn-Taking 能力的对话系统，通常需要面对“精度、速度、数据开源”的“不可能三角”。——系统必须精准判断用户是已经说完（该机器回答了）、还在思考（机器需要继续倾听）、给出了简短附和（机器应继续说），还是要求机器闭嘴。（词错误率为0）的样本才被采纳，确保了音字对齐的绝对完美。]]></description><category></category></item><item><title><![CDATA[从技术报告看Kimi K2.5 原生多模态与 Agent Swarm 架构分析]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159323226</link><guid>https://blog.csdn.net/kakaZhui/article/details/159323226</guid><author>kakaZhui</author><pubDate>Sat, 21 Mar 2026 21:39:03 +0800</pubDate><description><![CDATA[作为大热门，Kimi K2.5在 SWE-Bench (76.8%)、AIME 2025 (96.1%) 以及多项 Agent 基准上屠榜，今天一起来看下它的技术报告。]]></description><category></category></item><item><title><![CDATA[小龙虾升级MetaClaw：在真实世界中的持续进化的Agent]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159322618</link><guid>https://blog.csdn.net/kakaZhui/article/details/159322618</guid><author>kakaZhui</author><pubDate>Sat, 21 Mar 2026 20:45:58 +0800</pubDate><description><![CDATA[随着大语言模型（LLM）的飞速发展，基于 LLM 的智能体（Agents）已经能够处理复杂的多步任务、调用外部工具并操控计算机（如 OpenClaw、SWE-agent 等）。从算法上看，它优雅地解决了 Continual RL 中的“陈旧奖励”难题，用严格的数据隔离版本控制（Skill Generation Versioning），实现了外挂记忆与内化参数的同步进化。一个典型的场景是：用户前一周可能在使用 Agent 处理繁琐的本地文件系统操作，下一周的需求可能就变成了协调多个即时通讯工具的工作流。]]></description><category></category></item><item><title><![CDATA[Kimi新架构得马斯克点赞：解析注意力残差Attention Residuals]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159216151</link><guid>https://blog.csdn.net/kakaZhui/article/details/159216151</guid><author>kakaZhui</author><pubDate>Thu, 19 Mar 2026 00:11:02 +0800</pubDate><description><![CDATA[自 2015 年 ResNet 提出以来，残差连接（Residual Connections,hlhl−1fhl−1hl​hl−1​fhl−1​一直是深度神经网络的基石。在当前的大语言模型（LLM）中，结合 PreNorm 的残差连接构建了极佳的“梯度高速公路”，使得训练数百层的 Transformer 成为可能。然而，这种**“固定且均匀的加法累积”**真的完美吗？随着模型深度的增加，无权重的累加会导致隐藏状态的范数以OLO(L)OL。]]></description><category></category></item><item><title><![CDATA[颠覆RAG的benchmark：LMEB如何定义Agent中超长文本的长程依赖关系]]></title><link>https://blog.csdn.net/kakaZhui/article/details/159201484</link><guid>https://blog.csdn.net/kakaZhui/article/details/159201484</guid><author>kakaZhui</author><pubDate>Wed, 18 Mar 2026 10:46:04 +0800</pubDate><description><![CDATA[和。]]></description><category></category></item></channel></rss>