minimind-o

收录理由

想真正读懂一个全模态模型，而不是在数十亿参数的庞大权重面前无从下手，MiniMind-O 提供了难得的机会。它用约0.1B的单一权重同时处理文本、图像和音频，输出文本与流式语音，并且让语音和文本在隐层状态直接连通，绕开了ASR、LLM、TTS级联时因文本转写而丢失的语气与节奏信息。全部核心代码用PyTorch从零实现，没有高层封装，mini训练集在单张RTX 3090上约两小时就能跑完完整的Thinker-Talker流程，意味着你可以真正去读代码、改动、重新训练，而不只是加载一个现成检查点。项目还附带技术报告、在线演示，支持实时打断和音色克隆，从理解流式语音生成到动手扩展模型，路径清晰。对学生、工程师和研究者而言，这是一个务实而坦诚的起点。