Conformer多年来一直是默认的ASR编码器，但k2/icefall团队的Zipformer在LibriSpeech、Aishell-1和WenetSpeech上悄悄夺得WER冠军，同时更快更轻。这次详细的论文解读阐述了他们的具体做法：一个U-Net风格的编码器，将中间堆栈下采样到更低的帧率；一个重组的块，在子模块间重用注意力权重；LayerNorm的BiasNorm变体，保留长度信息；以及两个新的激活函数（SwooshR和SwooshL），它们的性能超越了Swish。

讲解不止于架构。Zipformer随附ScaledAdam，一个新的优化器，它对每个张量重新缩放更新并显式学习参数规模，在相同的方案下比Adam收敛更快。每个设计选择都附带支持它的消融实验，这样你可以看到哪些技巧可以泛化，哪些与U-Net拓扑紧密相关。如果你在生产中维护ASR编码器，或你好奇为什么Next-gen Kaldi能在没有巨大计算预算的情况下不断创造最先进成果，点击播放吧——这是一次罕见的论文解读，深入工程细节，而不仅仅是摘要。