专题演讲嘉宾：俞刚

随着以 Next-token prediction 为代表的大模型技术迅猛发展，其应用已从单一语言模型快速拓展至多模态领域。本次分享将以语言模型为切入点，系统介绍多模态场景下生成与理解技术的演进脉络，重点围绕语音、图像两大模态，探讨前沿多模态模型的架构设计思路，并展望未来核心研究方向。

演讲提纲：

1. 大语言模型（LLM）2023年至今的发展变化
   • Step 3.5 flash 相关介绍
2. 文本与语音交互的融合及发展
   • Step-audio 2 & Step-audio 2.5 相关介绍
3. 文本+语音+视觉的多模态融合
   • Step-image 2 & Step-audio-editx 相关介绍
4. 生成一体化的难点与实现路径
5. 未来探索方向整理

听众收益：

• 了解多模态生成和理解的前沿进展