大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月19日，我们将带您快速浏览7篇热门AI论文，涵盖多模态模型、图像生成、自动化设计等多个前沿领域。现在，让我们立即进入精彩的论文世界。 [00:23] 🌐 xGen-MM (BLIP-3): A Family of Open Large Multimodal Models（xGen-MM（BLIP-3）：一个开放的大型多模态模型家族） [01:08] 🖼 JPEG-LM: LLMs as Image Generators with Canonical Codec Representations（JPEG-LM：使用标准编解码器表示的大型语言模型作为图像生成器） [01:37] 🤖 Automated Design of Agentic Systems（代理系统的自动化设计） [02:14] 🖼 TurboEdit: Instant text-based image editing（TurboEdit：即时基于文本的图像编辑） [02:56] ⚕ Surgical SAM 2: Real-time Segment Anything in Surgical Video by Efficient Frame Pruning（手术SAM 2：通过高效帧修剪实现手术视频中的实时分割） [03:29] 📚 Fine-tuning Large Language Models with Human-inspired Learning Strategies in Medical Question Answering（在医学问答中通过人类启发式学习策略微调大型语言模型） [04:06] 📊 D5RL: Diverse Datasets for Data-Driven Deep Reinforcement Learning（D5RL：多样化的数据集用于数据驱动的深度强化学习） 【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

各位听众朋友，大家好！欢迎收听《Hugging Face 每日AI论文速递》周末特辑，我们每周日为您带来一周内Hugging Face上最热门的AI研究论文。本期节目涵盖的日期是从2024年8月12日至2024年8月18日。 在这一期中，我们将为您介绍五篇精选论文，包括探索完全自动化科学发现的“AI科学家”，释放长上下文LLMs生成能力的“LongWriter”，以及最新的图像生成模型“Imagen 3”等。这些论文涵盖了从自动化科学发现到语言模型的新进展，再到图像生成的创新技术。 现在，让我们立即进入本期节目的精彩内容。 [00:47] TOP1(🔥84) | 🤖 The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery（AI科学家：迈向完全自动化的开放式科学发现） [02:43] TOP2(🔥53) | 📚 LongWriter: Unleashing 10,000+ Word Generation from Long Context LLMs（LongWriter：从长上下文LLMs中释放10,000+字生成能力） [05:11] TOP3(🔥46) | 🌟 Imagen 3（Imagen 3） [07:26] TOP4(🔥45) | 🩺 Med42-v2: A Suite of Clinical LLMs（Med42-v2：一套临床大型语言模型） [09:05] TOP5(🔥42) | 🧠 Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers（互推理使小型语言模型成为更强的问题解决者） 【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

大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月16日，我们将带您快速浏览12篇热门AI论文，涵盖了从LLM自我对齐、数据集浓缩、知识图谱训练到视频生成等多个前沿领域。现在，让我们立即进入精彩的论文世界。 [00:25] 🔍 DeepSeek-Prover-V1.5: Harnessing Proof Assistant Feedback for Reinforcement Learning and Monte-Carlo Tree Search（DeepSeek-Prover-V1.5：利用证明助手反馈进行强化学习和蒙特卡洛树搜索） [01:05] 🔄 I-SHEEP: Self-Alignment of LLM from Scratch through an Iterative Self-Enhancement Paradigm（I-SHEEP：从零开始通过迭代自我增强范式实现LLM的自我对齐） [01:49] 🔍 Heavy Labels Out! Dataset Distillation with Label Space Lightening（重标签出！数据集浓缩与标签空间轻量化） [02:31] 🧠 Training Language Models on the Knowledge Graph: Insights on Hallucinations and Their Detectability（在知识图谱上训练语言模型：幻觉现象及其可检测性的洞察） [03:05] 🧠 Towards flexible perception with visual memory（面向灵活感知与视觉记忆） [03:43] 🧠 FuseChat: Knowledge Fusion of Chat Models（FuseChat：聊天模型知识融合） [04:26] 🌉 MVInpainter: Learning Multi-View Consistent Inpainting to Bridge 2D and 3D Editing（MVInpainter：学习多视角一致性修复以桥接2D和3D编辑） [05:02] 🎥 FancyVideo: Towards Dynamic and Consistent Video Generation via Cross-frame Textual Guidance（FancyVideo：通过跨帧文本引导实现动态且一致的视频生成） [05:47] 🔊 Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization（通过对抗流匹配优化加速高保真波形生成） [06:31] 🤝 The ShareLM Collection and Plugin: Contributing Human-Model Chats for the Benefit of the Community（ShareLM集合与插件：为社区贡献人机对话数据） [07:15] 🔄 BAM! Just Like That: Simple and Efficient Parameter Upcycling for Mixture of Experts（BAM！就这样：简单高效的参数升级循环方法用于混合专家模型） [07:56] 🤖 Can Large Language Models Understand Symbolic Graphics Programs?（大型语言模型能否理解符号图形程序？） 【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

大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月15日，我们将带您快速浏览今日的8篇热门AI论文，内容涵盖视觉理解、化学知识、3D编辑技术等多个前沿领域。现在，让我们立即进入精彩的论文世界。 [00:23] 🔬 Seeing and Understanding: Bridging Vision with Chemical Knowledge Via ChemVLM（视觉与理解：通过ChemVLM弥合视觉与化学知识） [01:09] 🎨 Generative Photomontage（生成式拼贴） [01:46] 🌐 3D Gaussian Editing with A Single Image（基于单张图像的3D高斯编辑） [02:17] 📊 InfinityMATH: A Scalable Instruction Tuning Dataset in Programmatic Mathematical Reasoning（InfinityMATH：一个可扩展的指令调优数据集，用于程序化数学推理） [03:02] 📹 DeepSpeak Dataset v1.0（DeepSpeak 数据集 v1.0） [03:37] 📈 PeriodWave: Multi-Period Flow Matching for High-Fidelity Waveform Generation（PeriodWave：高保真波形生成的多周期流匹配） [04:17] 📊 Aquila2 Technical Report（Aquila2技术报告） [04:56] 🌐 Rethinking Open-Vocabulary Segmentation of Radiance Fields in 3D Space（重新思考三维空间中辐射场的开放词汇分割） 【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

大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月14日，我们将带您快速浏览14篇热门AI论文，涵盖从长文本生成、科学研究加速到3D物体分类等多个前沿领域。现在，让我们立即进入精彩的论文世界。 [00:24] 🌟 Imagen 3（Imagen 3） [01:05] 📚 LongWriter: Unleashing 10,000+ Word Generation from Long Context LLMs（LongWriter：从长上下文LLMs中释放10,000+字生成能力） [01:44] 🚀 OpenResearcher: Unleashing AI for Accelerated Scientific Research（OpenResearcher：利用人工智能加速科学研究） [02:18] 🌐 SlotLifter: Slot-guided Feature Lifting for Learning Object-centric Radiance Fields（SlotLifter：槽引导特征提升用于学习对象中心辐射场） [02:58] 📈 Layerwise Recurrent Router for Mixture-of-Experts（层级循环路由器在专家混合模型中的应用） [03:36] 🔍 DC3DO: Diffusion Classifier for 3D Objects（DC3DO：用于3D物体的扩散分类器） [04:14] 🎬 MovieSum: An Abstractive Summarization Dataset for Movie Screenplays（MovieSum：电影剧本抽象摘要生成数据集） [04:47] 🤖 TacSL: A Library for Visuotactile Sensor Simulation and Learning（TacSL：视觉触觉传感器模拟与学习库） [05:29] 🤖 UniT: Unified Tactile Representation for Robot Learning（UniT：机器人学习的统一触觉表示） [06:06] 📊 Amuro & Char: Analyzing the Relationship between Pre-Training and Fine-Tuning of Large Language Models（安罗与查尔：分析大型语言模型预训练与微调的关系） [06:48] 😊 Adapting General Disentanglement-Based Speaker Anonymization for Enhanced Emotion Preservation（适应基于解耦的说话人匿名化系统以增强情感保留） [07:22] 🧬 Design Proteins Using Large Language Models: Enhancements and Comparative Analyses（使用大型语言模型设计蛋白质：增强与比较分析） [07:56] 🌐 FuxiTranyu: A Multilingual Large Language Model Trained with Balanced Data（伏羲天语：一个使用平衡数据训练的多语言大型语言模型） [08:30] 🎨 ZePo: Zero-Shot Portrait Stylization with Faster Sampling（ZePo：零样本肖像风格化与快速采样） 【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

大家好，欢迎收听'Hugging Face 每日AI论文速递'。今天是2024年8月13日，我们将带您快速浏览今日的10篇热门AI论文，涵盖自动化科学发现、临床大型语言模型、图像和视频生成控制方法等多个前沿领域。现在，让我们立即进入精彩的论文世界。 [00:27] 🤖 The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery（AI科学家：迈向完全自动化的开放式科学发现） [01:06] 🩺 Med42-v2: A Suite of Clinical LLMs（Med42-v2：一套临床大型语言模型） [01:50] 🎥 ControlNeXt: Powerful and Efficient Control for Image and Video Generation（ControlNeXt: 图像和视频生成中的强大且高效的控制方法） [02:27] 🎥 CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer（CogVideoX：基于文本提示的视频扩散模型与专家变换器） [03:07] 🧠 Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers（互推理使小型语言模型成为更强的问题解决者） [03:53] 🤖 VisualAgentBench: Towards Large Multimodal Models as Visual Foundation Agents（VisualAgentBench：迈向大型多模态模型作为视觉基础代理） [04:27] 🍎 FruitNeRF: A Unified Neural Radiance Field based Fruit Counting Framework（FruitNeRF：基于神经辐射场的统一水果计数框架） [05:01] 👥 UniPortrait: A Unified Framework for Identity-Preserving Single- and Multi-Human Image Personalization（UniPortrait：一个用于身份保留的单人和多人图像个性化的统一框架） [05:42] 🤖 Body Transformer: Leveraging Robot Embodiment for Policy Learning（身体变换器：利用机器人身体结构进行策略学习） [06:15] 👤 HeadGAP: Few-shot 3D Head Avatar via Generalizable Gaussian Priors（HeadGAP：基于可泛化高斯先验的少量样本3D头部化身） 【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

大家好，欢迎收听'Hugging Face 每日AI论文速递'。今天是2024年8月12日，我们将带您快速浏览今日的10篇热门AI论文，涵盖全模态大型语言模型、多模态理解、视觉推理等多个前沿领域。现在，让我们立即进入精彩的论文世界。 [00:24] 🌐 VITA: Towards Open-Source Interactive Omni Multimodal LLM（VITA：迈向开源交互式全模态大型语言模型） [00:58] 🦉 mPLUG-Owl3: Towards Long Image-Sequence Understanding in Multi-Modal Large Language Models（mPLUG-Owl3：多模态大型语言模型中长图像序列理解的研究） [01:42] 🔍 Gemma Scope: Open Sparse Autoencoders Everywhere All At Once on Gemma 2（Gemma Scope：在Gemma 2上全面开放稀疏自编码器） [02:19] 🔍 UniBench: Visual Reasoning Requires Rethinking Vision-Language Beyond Scaling（UniBench：视觉推理需要重新思考视觉-语言模型超越规模） [03:00] 📊 ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities（ToolSandbox：一个用于评估LLM工具使用能力的状态依赖、对话交互的评估基准） [03:53] 🔄 MulliVC: Multi-lingual Voice Conversion With Cycle Consistency（MulliVC：多语言语音转换与循环一致性） [04:36] 🔄 BRAT: Bonus oRthogonAl Token for Architecture Agnostic Textual Inversion（BRAT：架构无关文本反转的额外正交令牌） [05:14] 🧠 Generating novel experimental hypotheses from language models: A case study on cross-dative generalization（从语言模型生成新的实验假设：跨间接泛化案例研究） [05:52] 🎙 MooER: LLM-based Speech Recognition and Translation Models from Moore Threads（基于LLM的语音识别与翻译模型MooER） [06:40] 📹 Kalman-Inspired Feature Propagation for Video Face Super-Resolution（基于Kalman滤波的特征传播在视频人脸超分辨率中的应用） 【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

各位听众朋友，大家好！欢迎收听《Hugging Face 每日AI论文速递》周末特辑，我们每周日为您带来一周内Hugging Face上最受欢迎的AI论文汇总。本期节目涵盖的日期为2024年8月5日至2024年8月11日。今天，我们将一起探讨五篇精选论文，内容涉及文本生成模型的交互式学习、通用医学AI的多模态评估、手机上的GPT-4V级别多模态大型语言模型、大型视觉语言模型的多图像理解能力，以及简易视觉任务转移。现在，让我们立即进入精彩的论文世界，一探究竟！ [00:45] TOP1(🔥77) | 🔍 Transformer Explainer: Interactive Learning of Text-Generative Models（Transformer解释器：交互式学习文本生成模型） [03:26] TOP2(🔥67) | 📊 GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI（GMAI-MMBench：面向通用医学AI的综合多模态评估基准） [06:02] TOP3(🔥66) | 📱 MiniCPM-V: A GPT-4V Level MLLM on Your Phone（手机上的GPT-4V级别多模态大型语言模型） [08:00] TOP4(🔥49) | 📊 MMIU: Multimodal Multi-image Understanding for Evaluating Large Vision-Language Models（MMIU：评估大型视觉语言模型在多图像理解上的能力） [10:15] TOP5(🔥42) | 🌐 LLaVA-OneVision: Easy Visual Task Transfer（LLaVA-OneVision：简易视觉任务转移） 【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

大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月09日，我们将带您快速浏览11篇热门AI论文，涵盖多模态评估、文本生成模型、3D游戏场景自动生成等多个前沿领域。现在，让我们立即进入今天的论文速递。 [00:25] 📊 GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI（GMAI-MMBench：面向通用医学AI的综合多模态评估基准） [01:07] 🔍 Transformer Explainer: Interactive Learning of Text-Generative Models（Transformer解释器：交互式学习文本生成模型） [01:45] 🎮 Sketch2Scene: Automatic Generation of Interactive 3D Game Scenes from User's Casual Sketches（从用户随意草图自动生成交互式3D游戏场景） [02:28] 🔍 Img-Diff: Contrastive Data Synthesis for Multimodal Large Language Models（Img-Diff：用于多模态大型语言模型的对比数据合成） [03:13] 🔍 Task-oriented Sequential Grounding in 3D Scenes（面向任务的3D场景序列定位） [03:46] 🔍 LLM-DetectAIve: a Tool for Fine-Grained Machine-Generated Text Detection（LLM-DetectAIve：一种细粒度机器生成文本检测工具） [04:28] 🎥 Puppet-Master: Scaling Interactive Video Generation as a Motion Prior for Part-Level Dynamics（傀儡大师：作为部分级动态运动先验的交互式视频生成模型的扩展） [05:06] 📚 Better Alignment with Instruction Back-and-Forth Translation（通过指令来回翻译实现更好的对齐） [05:36] 🌍 Trans-Tokenization and Cross-lingual Vocabulary Transfers: Language Adaptation of LLMs for Low-Resource NLP（跨语言词汇转移与Trans-Tokenization：为低资源NLP调整LLMs） [06:17] 🔬 Advancing Molecular Machine (Learned) Representations with Stereoelectronics-Infused Molecular Graphs（利用立体电子效应提升分子机器学习表示的分子图） [07:06] 🔍 Learning to Predict Program Execution by Modeling Dynamic Dependency on Code Graphs（基于代码图的动态依赖关系建模以预测程序执行） 【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

大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月8日，我们将带您快速浏览今日的11篇热门AI论文，涵盖多模态记忆增强、语言模型调优、机器人技术等多个前沿领域。现在，让我们立即进入精彩的论文世界。 [00:24] 🤖 Optimus-1: Hybrid Multimodal Memory Empowered Agents Excel in Long-Horizon Tasks（Optimus-1：混合多模态记忆增强代理在长时限任务中的卓越表现） [01:03] 🤖 EXAONE 3.0 7.8B Instruction Tuned Language Model（EXAONE 3.0 7.8B指令调优语言模型） [01:40] 🏓 Achieving Human Level Competitive Robot Table Tennis（实现人类水平竞争的机器人乒乓球） [02:20] 🛡 WalledEval: A Comprehensive Safety Evaluation Toolkit for Large Language Models（WalledEval：大型语言模型的全面安全评估工具包） [03:12] 📚 Openstory++: A Large-scale Dataset and Benchmark for Instance-aware Open-domain Visual Storytelling（Openstory++：大规模实例感知开放领域视觉叙事数据集与基准） [03:58] 🎨 Fast Sprite Decomposition from Animated Graphics（从动画图形中快速分解精灵） [04:33] 📷 RayGauss: Volumetric Gaussian-Based Ray Casting for Photorealistic Novel View Synthesis（RayGauss：基于体积高斯光线投射的照片级真实感新型视图合成） [05:12] 🎤 Facing the Music: Tackling Singing Voice Separation in Cinematic Audio Source Separation（面对音乐：解决电影音频源分离中的歌唱声音分离问题） [05:53] 🌐 Speech-MASSIVE: A Multilingual Speech Dataset for SLU and Beyond（Speech-MASSIVE：一个用于SLU及更多的多语言语音数据集） [06:37] 🔗 CodexGraph: Bridging Large Language Models and Code Repositories via Code Graph Databases（CodexGraph：通过代码图数据库连接大型语言模型和代码仓库） [07:25] 🌐 Compact 3D Gaussian Splatting for Static and Dynamic Radiance Fields（用于静态和动态辐射场的紧凑型3D高斯喷洒） 【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

大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月07日，我们将带您快速浏览12篇热门AI论文，涵盖视觉语言模型评估、图像处理、多模态数据集等多个前沿领域。现在，让我们立即进入今天的论文速递。 [00:24] 📊 MMIU: Multimodal Multi-image Understanding for Evaluating Large Vision-Language Models（MMIU：评估大型视觉语言模型在多图像理解上的能力） [01:03] 🌐 LLaVA-OneVision: Easy Visual Task Transfer（LLaVA-OneVision：简易视觉任务转移） [01:46] 🎨 An Object is Worth 64x64 Pixels: Generating 3D Object via Image Diffusion（一个物体值得64x64像素：通过图像扩散生成3D物体） [02:26] 🖼 IPAdapter-Instruct: Resolving Ambiguity in Image-based Conditioning using Instruct Prompts（IPAdapter-Instruct：使用指令提示解决基于图像条件控制的模糊性问题） [03:13] 🩺 MedTrinity-25M: A Large-scale Multimodal Dataset with Multigranular Annotations for Medicine（MedTrinity-25M：一个用于医学的大规模多模态数据集，具有多粒度标注） [03:50] 🧠 Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters（最优扩展大型语言模型测试时计算量比扩展模型参数更有效） [04:21] 🧠 CoverBench: A Challenging Benchmark for Complex Claim Verification（CoverBench：一个针对复杂声明验证的挑战性基准） [05:02] 🔍 Diffusion Models as Data Mining Tools（扩散模型作为数据挖掘工具） [05:42] 🎭 ReSyncer: Rewiring Style-based Generator for Unified Audio-Visually Synced Facial Performer（ReSyncer：基于风格的生成器用于统一音视频同步面部表演者） [06:31] 📊 StructEval: Deepen and Broaden Large Language Model Assessment via Structured Evaluation（StructEval：通过结构化评估深化和扩展大型语言模型评估） [07:11] ⚡ AVESFormer: Efficient Transformer Design for Real-Time Audio-Visual Segmentation（AVESFormer：实时音频-视觉分割的高效Transformer设计） [07:48] 🔗 Synthesizing Text-to-SQL Data from Weak and Strong LLMs（合成文本到SQL数据：利用弱和强大型语言模型） 【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

大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月06日，我们将带您快速浏览14篇热门AI论文，涵盖多模态大型语言模型、文本到图像生成、数据驱动模拟等多个前沿领域。精彩内容即将展开，让我们一起探索AI的最新进展。 [00:28] 📱 MiniCPM-V: A GPT-4V Level MLLM on Your Phone（手机上的GPT-4V级别多模态大型语言模型） [01:17] 🌟 Lumina-mGPT: Illuminate Flexible Photorealistic Text-to-Image Generation with Multimodal Generative Pretraining（Lumina-mGPT：利用多模态生成预训练实现灵活逼真的文本到图像生成） [02:02] 🌐 MeshAnything V2: Artist-Created Mesh Generation With Adjacent Mesh Tokenization（MeshAnything V2：艺术家创作网格生成与相邻网格标记化） [02:41] 🌊 Unleashing the Power of Data Tsunami: A Comprehensive Survey on Data Assessment and Selection for Instruction Tuning of Language Models（释放数据海啸的力量：关于语言模型指令调优中数据评估与选择的综合调查） [03:19] 🗣 Language Model Can Listen While Speaking（语言模型可以在说话的同时进行听取） [03:57] 📈 Self-Taught Evaluators（自我教学评估器） [04:33] 🎥 VidGen-1M: A Large-Scale Dataset for Text-to-video Generation（VidGen-1M：一个用于文本到视频生成的大规模数据集） [05:07] 🌟 ProCreate, Dont Reproduce! Propulsive Energy Diffusion for Creative Generation（创造而非复制！推进能量扩散以实现创造性生成） [05:49] 🧬 BioMamba: A Pre-trained Biomedical Language Representation Model Leveraging Mamba（BioMamba：一种利用Mamba的预训练生物医学语言表示模型） [06:27] 🔧 RAG Foundry: A Framework for Enhancing LLMs for Retrieval Augmented Generation（RAG Foundry：增强LLMs以实现检索增强生成的框架） [07:07] 🔍 ExoViP: Step-by-step Verification and Exploration with Exoskeleton Modules for Compositional Visual Reasoning（ExoViP：通过外骨骼模块逐步验证和探索组合视觉推理） [07:43] 📊 The Impact of Hyperparameters on Large Language Model Inference Performance: An Evaluation of vLLM and HuggingFace Pipelines（超参数对大型语言模型推理性能的影响：vLLM与HuggingFace Pipelines的评估） [08:19] 🚗 GPUDrive: Data-driven, multi-agent driving simulation at 1 million FPS（GPUDrive：每秒100万帧的数据驱动多智能体驾驶模拟） [08:56] 🔒 Operationalizing Contextual Integrity in Privacy-Conscious Assistants（在隐私意识助手中操作化情境完整性） 【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