多说话人转写不再逐人独立解码：Pandemonium让说话人互相看见，会议基准平均错误率降到14.7
面向多说话人会议转写的目标说话人识别此前按说话人逐个独立解码，且被限制在30秒窗口内。Pandemonium把说话人条件接入可整场解码的Parakeet长音频骨干，并加入跨说话人注意力与掩码修正模块，让同一场对话中的说话人表示在编码器内互相可见。在合成、伪标注与真实数据上训练后，该系统在多个会议基准上取得最优结果，并在预测说话人日志条件下平均cpWER为19.2。
腾讯混元发布 Hy ASR 3.0：中文、英文、粤语公开基准聚合错误率均低于参评系统
腾讯混元团队发布基于大语言模型的语音识别系统 Hy ASR 3.0，支持中文、英文、粤语及另外 12 个汉语方言组，并可用热词表、问答对话和摘要等外部上下文引导识别。在公开中文、英文、粤语基准上，其聚合错误率分别为 4.64%、5.22% 和 5.06%，均低于参评的非 Hy 系统；粤语单独聚合相对 Qwen3 ASR Flash 降低约 11.0%。系统还利用同一句话内部的信息区分同音或近音关键词，无需额外上下文输入。
目标数据集不再需要人工标注：SAM、CLIP与大视觉语言模型协作，COCO零样本检测达60.8 AP
目标数据集上的人工标注被一条自动流程替代：SAM生成分割候选，CLIP做快速预筛与标签匹配，大视觉语言模型只对聚类中心图像给出语义标签，再用这些伪标签训练开放集检测器并迭代精修。在COCO val2017与LVIS minival的零样本设定下，YOLO骨干版本分别达到60.8 AP和47.4 AP，Swin-T骨干版本为57.2 AP和46.2 AP，说明增益并非只来自检测骨干。
冻结7B主干、只训10万偏置参数：无标签TTRL在MATH-500达76.67%，并迁移到4500道未参与优化的问题
该工作提出无标签的偏置-only测试时强化学习：冻结预训练主干，仅用多数投票伪标签作为奖励、只优化约10万个偏置参数（28层MLP的down_proj.bias），在MATH-500上Qwen2.5-7B达76.67%、Qwen2.5-Math-7B达79.50%，同一流程还改善视觉语言与音频推理，冻结后的偏置向量在4500道验证互斥MATH题上把Qwen2.5-7B从46.3%提升到70.9%、Qwen2.5-Math-7B从52.5%提升到75.4%，并从伪标签可靠性与可及梯度能量两方面解释受限子空间为何仍能有效适配。
用七个模型替换四个腹部CT数据集的人工标注后，预训练对标签质量的依赖消失，而直接部署仍高度依赖
该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。
PC-Seg 用五阶段课程学习把稀疏 2D 标注提升为 3D OCT 分割，仅用约 0.7% 标注即达到全监督精度
该工作提出 PC-Seg（Progressive Cross-view Segmentation），一个五阶段课程学习框架：先用单个 2D 模型在标准 B-scan 与正交切片之间学习跨视角一致性以生成可靠体素伪标签，再蒸馏到 3D 模型，最后通过 2D/3D 集成伪标签协同训练；在 MSHC 与 Duke DME 两个公开 OCT 数据集上，仅用约 0.7% 的标注数据即取得与全监督相当的分割精度，并优于所比较的半监督与视网膜分层方法。
已读完全部报道