小红书开源 FireRedASR 语音识别模型，3.05% 字错误率；Meta AI 脑电波打字模型：32% 字错误率-编程知识

小红书开源 FireRedASR 语音识别模型，3.05% 字错误率；Meta AI 脑电波打字模型：32% 字错误率

news/2025/2/10 19:47:35/文章来源:https://www.cnblogs.com/Agora/p/18708655

开发者朋友们大家好：

这里是 「RTE 开发者日报」 ，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement）领域内「有话题的新闻」、「有态度的观点」、「有意思的数据」、「有思考的文章」、「有看点的会议」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。

本期编辑：@qqq，@鲍勃

01 有话题的技术

1、小红书开源 FireRedASR 语音识别模型，取得中文语音识别新突破

近日，小红书 FireRed 团队开源了基于大模型的语音识别模型 FireRedASR，该模型在中文普通话语音识别领域取得了新的 SOTA（State of the Art，最佳性能）。FireRedASR 包含两种核心结构：FireRedASR-LLM 和 FireRedASR-AED，分别针对极致精度和高效推理需求设计。其中，FireRedASR-LLM（8.3B 参数）在公开测试集上取得了 3.05%的字错误率（CER），成为新的 SOTA，相比此前的 SOTA 模型 Seed-ASR（12B+参数）降低了 8.4%的错误率；FireRedASR-AED（1.1B 参数）则在保持高准确率的同时，显著提升了推理效率，其 CER 为 3.18%。

此外，FireRedASR 在中文方言、英语以及歌词识别等场景中也展现了卓越的性能，显著优于此前的开源 SOTA 模型。FireRed 团队已开源模型和代码，旨在推动语音识别技术的发展和应用。（@机器之心）

2、Meta AI 推脑机接口模型 Brain2Qwerty：可通过脑电波解码打字内容

Meta AI 最新推出的 Brain2Qwerty 模型为脑机接口（BCI）技术带来了新的希望。该模型旨在通过非侵入性方式，从脑电图（EEG）或脑磁共振成像（MEG）捕捉到的脑活动中解码出参与者输入的句子。在研究中，参与者在 QWERTY 键盘上输入短暂记忆的句子，同时其脑活动被实时记录。与传统方法相比，Brain2Qwerty 利用自然的打字运动，提供了一种更直观的脑电波解读方法。

Brain2Qwerty 的架构分为三个主要模块：

卷积模块 ：提取 EEG 或 MEG 信号中的时间和空间特征。
变换器模块 ：处理输入的序列，优化理解和表达。
语言模型模块 ：预训练的字符级语言模型，用于修正和提升解码结果的准确性。

在性能评估中，基于 EEG 的解码字符错误率（CER）为 67%，而使用 MEG 的解码效果显著改善，CER 降低至 32%。在实验中，表现最好的参与者达到了 19%的 CER，显示出该模型在理想条件下的潜力。

尽管 Brain2Qwerty 在非侵入性 BCI 领域展现了积极的前景，但仍面临几项挑战。首先，当前模型需要处理完整句子，而不是逐个按键进行实时解码。其次，虽然 MEG 的性能优于 EEG，但其设备尚不便携且普及性不足。最后，本研究主要在健康参与者中进行，未来需要深入探讨其对运动或言语障碍者的适用性。（@ AIbase 基地）

3、豆包大模型团队开源 VideoWorld：无需语言模型即可认知世界的视频生成模型

2025 年 2 月 10 日，豆包大模型团队联合北京交通大学和中国科学技术大学发布了 VideoWorld，这是一种创新的视频生成模型，能够仅通过视觉信息学习复杂知识。VideoWorld 的推出标志着在无需依赖语言模型的情况下，AI 可以通过观察视频数据掌握推理、规划和决策等能力。

VideoWorld 模型通过潜在动态模型（Latent Dynamics Model， LDM）高效压缩视频帧间变化信息，显著提升了知识学习效率和效果。在只有 300M 参数量的情况下，VideoWorld 已展现出可观的性能，达到了专业 5 段的 9x9 围棋水平，并能在多种环境中执行机器人任务。

下图为模型架构概览，左侧为整体架构，右侧为潜在动态模型。

目前，VideoWorld 的项目代码与模型已经开源，供公众体验和交流。

论文链接为：https://arxiv.org/abs/2501.09781

代码链接为：https://github.com/bytedance/VideoWorld

项目主页为：

https://maverickren.github.io/VideoWorld.github.io。（@豆包大模型团队）

4、智元机器人在深圳成立新「灵犀」产品线

智元机器人近日宣布在深圳成立新的「灵犀」产品线，作为公司三大事业部之一，目前正处于招聘阶段。智元机器人此前进行了组织架构调整，新设立了远征、灵犀和 Genie 三大产品线，分别位于上海、深圳和北京。灵犀产品线目前由稚晖君暂代，正在寻找合适的一号位人选。灵犀系列产品主要面向养老方向的消费者市场。智元机器人自成立以来一直致力于全栈自研，包括软件、硬件、大脑、小脑和云系统等，并提出了具身智能 G1 到 G5 的演进路径和技术框架，目前正处于 G2 和 G3 阶段。2024 年 12 月，智元机器人宣布开启机器人量产工作，并于 2025 年 1 月 6 日下线了第 1000 台通用具身机器人。（@ AI 科技评论）

5、Meta 推出 VideoJAM 框架：大幅提升视频生成中的运动一致性

2025 年 2 月 10 日，Meta GenAI 团队发布了 VideoJAM 框架，旨在解决视频生成中的运动一致性问题。该框架基于 DiT 路线，通过引入联合外观-运动表示，显著提升了视频生成中的运动连贯性和视觉质量。

VideoJAM 框架的关键特点包括：

联合外观-运动表示：在训练阶段，VideoJAM不仅预测视频的像素，还预测视频的运动信息，通过将视频和运动信息合并为一个联合表示，模型能够同时学习外观和运动。
动态引导机制：在推理阶段，VideoJAM 利用模型自身不断演化的运动预测作为动态引导信号，确保生成的视频在运动上更加合理和连贯。
通用性和适配性：VideoJAM 可以无缝集成到任何视频生成模型中，无需修改训练数据或扩大模型规模。

VideoJAM 在多个复杂运动场景中表现出色，例如倒立动作的流畅生成、双人舞的完美同步、吹灭蜡烛时火苗的晃动及熄灭过程、书法中毛笔的运动及笔迹同步、杂技表演中抛物线轨迹的精准呈现等。（@量子位）

6、DreamTech 发布 Neural4D 2.0：3D 生成技术取得重大突破

2025 年 2 月 10 日，由牛津大学和南京大学研究者组成的 AI 团队 DreamTech 宣布推出 Neural4D 2.0，这是一款创新的 3D 生成平台，通过全新的 3D Assembly Generation 算法和高效的模型架构，显著提升了 3D 内容生成的效率和质量。

Neural4D 2.0 的核心亮点包括：

算力需求降低 80% ：通过专有的三维数据处理链路和强化学习策略，优化了 Transformer 结构，大幅减少了算法的时间和空间复杂度，算力需求仅为同类型算法模型的 1/5 左右。
分部件可装配生成 ：采用分部件生成思路，模拟真实世界的 3D 拓扑结构，将复杂的 3D 内容分解为多个部件，解决了复杂、高精细、可交互 3D 内容生成的质量瓶颈。
AnimeArt 功能： 基于 Neural4D 2.0 推出 AnimeArt 功能，这是业内首款成熟的二次元 3D AIGC 平台，支持实时生成与驱动头发、服装、手指动作和面部表情，可用于数字人直播和 MMD 动画制作等应用。
开源推动行业发展 ：DreamTech 已开源其前期研究成果 Neural4D 1.0（原 Direct3D），代码和论文均面向公众开放。

Neural4D 2.0 的推出标志着 3D 生成技术在效率、精细度和应用范围上的重大突破，有望在游戏开发、动画制作、虚拟现实体验等多个领域带来深远影响。(@ Z Potentials)

02 有亮点的产品

1、昆仑万维天工 AI：上线 DeepSeek R1+联网搜索功能

2 月 8 日，昆仑万维集团旗下的天工 AI 正式上线了「DeepSeek R1+ 联网搜索」功能，为用户带来了一次重大更新。这一升级不仅解决了 DeepSeek 联网功能无法使用的问题，还优化了 R1 版本偶尔崩溃的困扰，极大地提升了 AI 的稳定性和用户体验。

自 2025 年 1 月下旬发布以来，DeepSeek R1 模型迅速在全球 AI 领域引起关注。然而，其联网搜索功能的缺失一直是用户关注的焦点。此前，DeepSeek R1 只能根据 2024 年 10 月前的信息进行思考，且「深度思考」模式时常出现服务器繁忙的问题。如今，天工 AI 的 PC 端网页为用户提供了无缝的联网搜索体验，实时获取最新信息，进一步增强了 AI 在复杂场景下的推理和思考能力。

用户现在可以在天工 AI 的 PC 端网页上，通过勾选「深度思考 R1」按钮，轻松调用联网搜索功能，获得更加精准和全面的结果。无论是学术研究、商业分析、文章写作，还是日常问题的搜索和解答，天工 AI 都能提供强大的支持。

在实际应用中，天工 AI 的「深度思考 R1」模式展现了强大的联网搜索能力。例如，当被问及《哪吒 2》的最终票房时，天工 AI 通过联网搜索，捕捉到截至 2 月 7 日的票房数据，并合理预测其全球总票房将突破 100 亿人民币。在问答领域，天工 AI 也能够以诙谐幽默且带有讽刺意味的口吻回答问题，展现出 DeepSeek R1 模型的独特风格。（@ AIbase 基地）

2、OpenAI 新项目 Sora 内测图像生成器，或将推出 DALL-E 4

OpenAI 最近宣布其内部测试项目 Sora 正在研发图像生成功能，用户可以在视频和图像生成之间快速切换。新功能旨在简化用户操作，提升内容生成的相关性和质量。此外，Sora 还对视频推送进行了重新分类，推出了「Best」和「Top」类别，以便用户更好地筛选内容。

亮点提要：

Sora 将推出图像生成功能，用户可快速切换视频与图像生成。
新的视频推送分类「Best」和「Top」将优化内容筛选。
Sora 的图像生成器代号为「papaya」，或将引入 DALL-E4。（@ AIbase 基地）

03 有态度的观点

1、OpenAI CEO 山姆·奥特曼发布对 AGI 的三项观察

2025 年 2 月 10 日，OpenAI 首席执行官山姆·奥特曼在其博客中发表文章《Three Observations》，分享了他对人工智能（AI）和通用人工智能（AGI）的三项观察。

奥特曼指出，AGI 是一种能够在多个领域以人类水平解决复杂问题的系统。他提出了以下三点观察：

AI 能力与资源投入的对数关系： AI模型的智能水平大致与用于训练和运行的资源总量的对数成正比。这些资源主要包括训练算力、数据和推理算力。通过持续投入资源，AI能力可以实现可预测的增长。
AI 使用成本的指数级下降： 使用 AI 的成本每 12 个月大约降低 10 倍。例如，从 2023 年初的 GPT-4 到 2024 年中的 GPT-4o，单词的价格下降了约 150 倍。这种成本下降速度远超摩尔定律。
AI 的社会经济价值呈超级指数增长： 随着智能水平的线性增长，AI 的社会经济价值呈超级指数增长。因此，未来几年内对 AI 的指数级投资没有理由停止。

奥特曼还提到，AI 代理（Agent）最终将像虚拟同事一样与人类协作，例如软件工程 Agent 可以完成大多数顶尖公司中有几年经验的工程师能够完成的任务。未来，这样的 Agent 可能会在各个工作领域普及。

尽管短期内（如 2025 年）人类的生活方式不会发生显著变化，但长期来看，AI 将带来不可忽视的变革。AGI 的影响将是不均衡的，科学进步的速度可能会大幅加快，而商品价格可能会大幅下降，稀缺资源的价格可能会显著上升。

奥特曼强调，确保 AGI 的益处能够广泛分布是至关重要的，这可能需要新的政策和理念来实现。到 2035 年，每个人都应该能够调动相当于 2025 年所有人智慧总和的能力，这将极大地释放人类的创造力，为社会带来巨大的福祉。（@量子位）

2、李飞飞：AI 政策必须基于「科学而不是科幻小说」

在即将于巴黎举行的 AI 行动峰会前夕，斯坦福大学计算机科学家李飞飞就 AI 政策制定发表了重要观点。李飞飞强调，AI 政策的制定必须建立在科学基础之上，而非科幻小说。 她指出，决策者应当关注 AI 的现实发展状况，避免陷入过于理想化或末日论的未来设想。特别是在理解当前的聊天机器人和 AI 助手程序时，需要明确认识到它们并不具备主观意图、自由意志或意识，这样才能使政策制定更加务实，聚焦于当前亟待解决的实际挑战。

在政策取向方面，李飞飞主张采取务实而非意识形态化的方针，既要防范可能出现的负面影响，又要为创新发展提供激励。同时，她特别强调了开放获取的重要性，认为政策制定应当为包括开源社区和学术界在内的整个 AI 生态系统赋能。她表示，如果限制对 AI 模型和计算工具的访问，将会阻碍创新发展，尤其会对资源相对匮乏的学术机构和研究人员造成不利影响。(@ APPSO)

04 有看点的活动

1、APPLE 生态爱好者集合，「LET’S VISION 2025」将在 3 月 1 日 -2 日上海开启

Apple 生态爱好者们，LET'S VISION 2025 大会即将回归，将于「 2025 年 3 月 1 日至 2 日」在「上海浦东鲜花港」举行。本次大会将聚焦技术前沿、创意实践、资源共享和未来展望，为参与者提供与行业领袖深入交流的机会。大会内容丰富，包括信号发射台、创意实操舱、共享空间站和未来展映台等环节，涵盖从技术趋势到商业模式的多角度探讨。

购票信息可通过关注小红书官方账号@XReality.Zone 或访问官网：https://letsvisionos.swiftgg.team/

工作坊预约对 BASIC、PRO、PREMIUM 用户开放，全程免费，但席位有限，建议尽早预约。更多嘉宾阵容及演讲专题内容将陆续公布，敬请期待。