在本报告中，我们推出了PP-YOLOE，这是一款具有高性能和友好部署特性的工业级先进目标检测器。我们在前代PP-YOLOv2的基础上进行优化，采用无锚框（anchor-free）范式、配备CSPRepResStage的更强大主干网络与颈部结构、ET-head以及动态标签分配算法TAL。

摘要。在图神经网络(GNNs)中，消息传递迭代地聚合来自直接邻居的节点信息，却忽略了多跳节点连接的序列特性。这类序列化节点连接(如元路径)能为下游任务捕获关键洞察。具体而言，在推荐系统(RSs)中忽视这些洞察会导致协同信号提取不充分。本文采用协同子图(CSGs)和元路径构建元路径感知子图，显式捕获图结构中的序列语义。我们提出元路径与实体感知图神经网络(PEAGNN)，通过多层GNN在子图上执行元路径感知的信息聚合，并利用注意力机制融合不同元路径的聚合信息。最终PEAGNN生成节点与子图表征，可用于训练MLP预测目标用户-物品对的评分。为利用CSGs的局部结构，我们提出作为对比正则项的实体感知机制。此外，PEAGNN可与GAT、GCN、GraphSage等主流网络层结合。实验表明，所提方法在多个推荐任务数据集上优于基线模型。进一步分析证明PEAGNN能从给定元路径中学习有意义的组合模式。

在此，我们介绍基于XTTS和Tortoise模型的IndexTTS系统，并融入了一些创新改进。具体而言，在中文应用场景中，我们采用了字符与拼音相结合的混合建模策略，从而实现对多音字及长尾字符发音的精确控制。此外，针对声学语音Token的码本利用，我们对向量量化(VQ)与有限标量量化(FSQ)进行了对比分析。为了进一步提升语音克隆的效果与稳定性，我们引入了基于Conformer的语音条件编码器，并将语音解码器替换为BigVGAN2。