2026年7月8日，英伟达正式发布统一音频-文本大语言模型Nemotron-Labs-Audex-30B-A3B（简称Audex）。该模型基于纯文本MoE（混合专家模型）架构搭建，采用单一Transformer解码器，训练数据涵盖1574亿音频token与3205亿文本token，解决了此前多模态模型音频能力升级时文本逻辑下降的行业痛点，可实现音频理解与文本能力的高效平衡。
近两年多模态大模型的迭代主要集中在图文领域，音频交互能力的升级始终存在明显短板。行业普遍的开发逻辑是在原有纯文本大模型的基础上，额外新增独立的音频编码器模块接入，这种方案看似快速实现了音频理解能力，但往往会挤占原有文本模型的参数资源，导致模型的文本推理、逻辑表达能力出现明显下滑，语音助手“听得懂指令却答不出合理内容”的问题频频出现，也让智能座舱、实时翻译等强语音交互场景的落地效果大打折扣。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号