Examples of text, typography, math equations, diagrams, flowcharts, pictures, videos, and more using Notion.

音视频联合生成（Audio-Visual Joint Generation）是生成式人工智能领域最具挑战性的方向之一，其核心在于跨越两种异构模态之间的感知鸿沟，实现时序、语义与物理层面的多维同步。本文从问题本质出发，系统梳理三条主要技术路线——视频到音频生成（V2A）、音频驱动视频生成（A2V）以及真正的音视频联合生成（JAVG）——追踪从早期回归方法到大规模扩散Transformer的演进...

本文系统性回顾了不确定性估计的主流技术路线，涵盖基于似然的参数化方法、贝叶斯神经网络、证据深度学习以及保形预测。通过引入“先验放置位置”这一核心分类维度，本文深入探讨了各类方法在捕获偶然/认知不确定性上的理论动机、计算代价与固有局限，并提供了详尽的横向对比与场景适用指南。

本文首先建立多维度算法分类体系与演进时间线，再以统一策略梯度框架为基础，系统剖析 RLHF/PPO、DPO、GRPO/RLVR、GSPO 等主流算法的数学原理、设计动机与工程权衡，并重点探讨强化学习在多模态与全模态场景下的扩展方法与挑战。文章最后给出横向对比与未来研究方向建议。

本文系统梳理音频/语音表征学习中连续表征与离散表征两条技术路线的发展脉络，从信息论视角分析两类表征的本质差异，深入讨论量化机制的技术体系，并追踪语义-声学融合、变帧率 token 等前沿方向。文章与语音预训练范式演进的讨论形成互补：后者侧重预训练框架的选择，本文则聚焦于表征本身的信息结构与构造方式。

本文梳理了语音预训练领域自 2019 年以来的主要技术范式，重点分析各范式的设计动机、方法论选择及其内在局限，并追踪 Whisper 之后（2024—2026 年）以大语言模型融合为核心的新一轮技术演变。

原文<https://zhuanlan.zhihu.com/p/2033494636023559146>，侵删。

原文<https://substack.com/home/post/p-195402224>，侵删。

框架概括 整体框架 数据结构（增删查改） 数组（顺序存储） 动态数组 字符串 哈希表 … 链表（链式存储） 单/双链表 树 … ...

Python基础数据结构与内置函数。