CoBit：连续比特流扩散统一多模态联合生成
原文标题：Multimodal Co-Generation With Continuous Bitstream Diffusion
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文将原用于语言建模的连续比特流扩散（CoBit）扩展为统一多模态生成框架，用同一训练与采样协议处理图像-文本、语音-文本与蛋白质序列-结构建模。单个检查点即可支持联合生成与条件生成，语音-文本联合生成词错率 3.5%，蛋白质重折叠自洽 TM-score 达 0.911。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CoBit连续比特流扩散扩展为统一多模态框架，语音-文本联合生成词错率3.5%，蛋白质TM-score 0.911。
- •同一训练与采样协议覆盖图像-文本、语音-文本、蛋白质序列-结构三类建模
- •各模态共享单一输入投影、Transformer骨干、逐比特预测头与二值分数匹配目标
- •单个检查点通过改变比特流观测部分即可支持联合生成与条件生成
- •语音-文本联合生成词错率3.5%；蛋白质重折叠自洽TM-score达0.911
- •无需文本预训练即可完成语音合成、识别、续写与无条件协同生成
为什么重要：若单一架构能跨模态统一生成，将减少多模态系统的组件数量与训练复杂度，对语音与生物计算方向尤具参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。