本期的 14 篇论文如下：

[00:22] 🧠 Kimi-VL Technical Report（Kimi-VL技术报告）

[01:05] 🎬 VCR-Bench: A Comprehensive Evaluation Framework for Video Chain-of-Thought Reasoning（VCR-Bench：一个用于视频链式思考推理的综合评估框架）

[01:54] 🖼 MM-IFEngine: Towards Multimodal Instruction Following（MM-IFEngine: 面向多模态指令跟随）

[02:35] 🖼 VisualCloze: A Universal Image Generation Framework via Visual In-Context Learning（VisualCloze：一个基于视觉情境学习的通用图像生成框架）

[03:15] 🤔 DeepSeek-R1 Thoughtology: Let's <think> about LLM Reasoning（DeepSeek-R1 思维学：让我们来<思考>关于LLM的推理）

[03:54] 🧩 HoloPart: Generative 3D Part Amodal Segmentation（HoloPart：生成式3D部件非模态分割）

[04:36] 🤖 C3PO: Critical-Layer, Core-Expert, Collaborative Pathway Optimization for Test-Time Expert Re-Mixing（C3PO：面向测试时专家重混合的关键层、核心专家、协同路径优化）

[05:11] 🤖 MOSAIC: Modeling Social AI for Content Dissemination and Regulation in Multi-Agent Simulations（MOSAIC：用于多智能体模拟中内容传播和监管的社会人工智能建模）

[05:58] 🖼 Scaling Laws for Native Multimodal Models Scaling Laws for Native Multimodal Models（原生多模态模型的扩展法则）

[06:30] 🧠 SoTA with Less: MCTS-Guided Sample Selection for Data-Efficient Visual Reasoning Self-Improvement（更少数据，更强性能：MCTS引导的样本选择用于数据高效的视觉推理自提升）

[07:16] 🖼 Towards Visual Text Grounding of Multimodal Large Language Model（面向多模态大语言模型的视觉文本定位）

[07:57] 🤖 MonoPlace3D: Learning 3D-Aware Object Placement for 3D Monocular Detection（MonoPlace3D：学习用于单目3D检测的3D感知物体放置）

[08:39] 🧭 Compass Control: Multi Object Orientation Control for Text-to-Image Generation（罗盘控制：用于文本到图像生成的多对象方向控制）

[09:22] 📍 TAPNext: Tracking Any Point (TAP) as Next Token Prediction（TAPNext：将追踪任意点（TAP）视为下一个令牌预测）

【关注我们】

您还可以在以下平台找到我们，获得播客内容以外更多信息

小红书: AI速递