英伟达发布新模型Audex：音频文本“两手抓”，不再牺牲智商

英伟达刚刚开源了一款新模型Audex，它能同时搞定听懂声音和保持逻辑思维——这个平衡点很多同行至今没做到。过去许多多模态模型像个“偏科生”：为了让耳朵更灵敏，脑子反而变笨了——增强音频理解后，文本推理能力直线下降。Audex的设计思路是直接换条路：基于纯文本的混合专家模型（MoE）架构，用单一Transformer解码器把音频量化成类似文本的token，一起处理。这样一来，音频输入能顺滑嵌入现有的语言模型系统，不用额外搞复杂对接。训练规模也不小：团队喂了1574亿音频token和3205亿文本token，经过多阶段监督训练、强化学习，以及知识蒸馏，最终Audex在语音识别、翻译、音频生成等任务上达到行业一流水准，更重要的是，它的推理、知识储备和长文本处理能力几乎没丢，性能衰退微乎其微。作为一款开源模型，Audex不再只是论文里的演示，而是可以直接评估、部署的工具。对需要处理复杂音频交互的产品开发者来说，这提供了一种平衡性能与功能的新选择，也给未来的多模态智能体铺了条更实用的路。