本期的 15 篇论文如下：

[00:22] 🧠 Genius: A Generalizable and Purely Unsupervised Self-Training Framework For Advanced Reasoning（Genius：一种用于高级推理的通用且纯粹的无监督自训练框架）

[01:06] ✅ xVerify: Efficient Answer Verifier for Reasoning Model Evaluations（xVerify：用于推理模型评估的高效答案验证器）

[01:52] 🖼 Pixel-SAIL: Single Transformer For Pixel-Grounded Understanding（Pixel-SAIL：用于像素级理解的单Transformer）

[02:37] ✅ Heimdall: test-time scaling on the generative verification（海姆达尔：生成式验证的测试时扩展）

[03:23] 🎨 Seedream 3.0 Technical Report（Seedream 3.0 技术报告）

[04:07] 📊 How Instruction and Reasoning Data shape Post-Training: Data Quality through the Lens of Layer-wise Gradients（指令和推理数据如何塑造后训练：基于层级梯度的数据质量分析）

[04:54] 🎮 TextArena（文本竞技场：用于大型语言模型中智能行为训练与评估的竞争性文本游戏集合）

[05:43] 🧠 The Scalability of Simplicity: Empirical Analysis of Vision-Language Learning with a Single Transformer（简单性的可扩展性：使用单一Transformer的视觉-语言学习的实证分析）

[06:22] 🤖 Efficient Process Reward Model Training via Active Learning（基于主动学习的高效过程奖励模型训练）

[07:01] 🚀 Efficient Generative Model Training via Embedded Representation Warmup（基于嵌入表示预热的高效生成模型训练）

[07:43] 🎥 NormalCrafter: Learning Temporally Consistent Normals from Video Diffusion Priors（NormalCrafter: 从视频扩散先验中学习时序一致的法线）

[08:23] 🧠 A Minimalist Approach to LLM Reasoning: from Rejection Sampling to Reinforce（LLM推理的极简方法：从拒绝采样到强化学习）

[09:00] 🧮 DeepMath-103K: A Large-Scale, Challenging, Decontaminated, and Verifiable Mathematical Dataset for Advancing Reasoning（DeepMath-103K：一个大规模、具有挑战性、经过净化且可验证的数学数据集，用于推进推理研究）

[09:43] 🚗 Diffusion Distillation With Direct Preference Optimization For Efficient 3D LiDAR Scene Completion（基于直接偏好优化的扩散蒸馏，用于高效3D激光雷达场景补全）

[10:25] 📹 PVUW 2025 Challenge Report: Advances in Pixel-level Understanding of Complex Videos in the Wild（PVUW 2025 挑战报告：复杂自然视频像素级理解进展）

【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