本期的 5 篇论文如下： [00:42] TOP1(🔥70) | 🌐 Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models（Molmo 和 PixMo：用于最先进多模态模型的开放权重和开放数据） [02:56] TOP2(🔥64) | 🖼 Imagine yourself: Tuning-Free Personalized Image Generation（想象你自己：无调参个性化图像生成） [05:08] TOP3(🔥48) | 🤖 Programming Every Example: Lifting Pre-training Data Quality like Experts at Scale（编程每个示例：大规模提升预训练数据质量如专家） [07:15] TOP4(🔥44) | 😂 YesBut: A High-Quality Annotated Multimodal Dataset for evaluating Satire Comprehension capability of Vision-Language Models（YesBut：一个用于评估视觉语言模型讽刺理解能力的高质量多模态数据集） [09:07] TOP5(🔥39) | 🤖 RACER: Rich Language-Guided Failure Recovery Policies for Imitation Learning（RACER：丰富的语言引导失败恢复策略用于模仿学习） 【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

本期的 12 篇论文如下： [00:27] 🌐 LLaVA-3D: A Simple yet Effective Pathway to Empowering LMMs with 3D-awareness（LLaVA-3D：一种简单而有效的路径，赋予多模态模型3D感知能力） [01:10] 🧩 MaskLLM: Learnable Semi-Structured Sparsity for Large Language Models（MaskLLM：大型语言模型的可学习半结构化稀疏性） [01:49] 🎭 EMOVA: Empowering Language Models to See, Hear and Speak with Vivid Emotions（EMOVA：赋予语言模型以生动的情感，使其能够看、听和说） [02:35] 🌸 Lotus: Diffusion-based Visual Foundation Model for High-quality Dense Prediction（莲花：基于扩散的高质量密集预测视觉基础模型） [03:15] ⚡ Discovering the Gems in Early Layers: Accelerating Long-Context LLMs with 1000x Input Token Reduction（探索早期层的瑰宝：通过1000倍输入令牌减少加速长上下文LLM） [03:58] 🖼 Pixel-Space Post-Training of Latent Diffusion Models（潜在扩散模型的像素空间后训练） [04:36] 🔍 Reducing the Footprint of Multi-Vector Retrieval with Minimal Performance Impact via Token Pooling（通过令牌池化减少多向量检索的足迹并保持最小性能影响） [05:17] 🎭 Disco4D: Disentangled 4D Human Generation and Animation from a Single Image（Disco4D：从单张图像生成和动画化分离的4D人体模型） [05:55] 🧠 Instruction Following without Instruction Tuning（无需指令微调的指令跟随） [06:30] 📊 The Imperative of Conversation Analysis in the Era of LLMs: A Survey of Tasks, Techniques, and Trends（大语言模型时代对话分析的必要性：任务、技术与趋势综述） [07:07] 🤖 Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction（机器人看机器人做：通过单目4D重建模仿关节物体操作） [07:43] ⚽ Enhancing Structured-Data Retrieval with GraphRAG: Soccer Data Case Study（增强结构化数据检索与GraphRAG：足球数据案例研究） 【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

本期的 10 篇论文如下： [00:32] 🤖 Programming Every Example: Lifting Pre-training Data Quality like Experts at Scale（编程每个示例：大规模提升预训练数据质量如专家） [01:13] 🌐 Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models（Molmo 和 PixMo：用于最先进多模态模型的开源权重和数据） [01:51] 🩺 Boosting Healthcare LLMs Through Retrieved Context（通过检索上下文提升医疗领域大语言模型） [02:31] 📊 AIM 2024 Sparse Neural Rendering Challenge: Dataset and Benchmark（AIM 2024 稀疏神经渲染挑战：数据集与基准） [03:12] 🎸 Synchronize Dual Hands for Physics-Based Dexterous Guitar Playing（基于物理模拟的灵巧吉他演奏双手同步） [03:52] 🎭 DreamWaltz-G: Expressive 3D Gaussian Avatars from Skeleton-Guided 2D Diffusion（DreamWaltz-G：从骨骼引导的2D扩散生成富有表现力的3D高斯头像） [04:28] 🚁 Game4Loc: A UAV Geo-Localization Benchmark from Game Data（基于游戏数据的无人机地理定位基准） [05:13] 🌐 Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors（基于扩散先验的退化引导一步图像超分辨率） [05:53] 🎥 TalkinNeRF: Animatable Neural Fields for Full-Body Talking Humans（TalkinNeRF：用于全身说话人类动画的可动画神经场） [06:32] 🤖 HyperAgent: Generalist Software Engineering Agents to Solve Coding Tasks at Scale（HyperAgent：通用软件工程代理解决大规模编码任务） 【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

本期的 17 篇论文如下： [00:28] 📄 HelloBench: Evaluating Long Text Generation Capabilities of Large Language Models（HelloBench：评估大型语言模型的长文本生成能力） [01:14] 🌐 Making Text Embedders Few-Shot Learners（利用大语言模型使多语言文本嵌入器成为少样本学习者） [01:51] 🌐 OmniBench: Towards The Future of Universal Omni-Language Models（OmniBench：迈向通用全能语言模型的未来） [02:29] 🔄 Present and Future Generalization of Synthetic Image Detectors（合成图像检测器的现状与未来泛化） [03:08] 🎥 MIMO: Controllable Character Video Synthesis with Spatial Decomposed Modeling（MIMO：基于空间分解建模的可控角色视频合成） [03:43] 🔄 MonoFormer: One Transformer for Both Diffusion and Autoregression（MonoFormer：一个Transformer同时处理扩散和自回归） [04:16] 🌍 EuroLLM: Multilingual Language Models for Europe（欧洲多语言模型：EuroLLM） [04:53] 🖼 MaskBit: Embedding-free Image Generation via Bit Tokens（MaskBit: 通过比特令牌实现无嵌入图像生成） [05:33] 👁 Seeing Faces in Things: A Model and Dataset for Pareidolia（事物中的面孔：幻觉模型与数据集） [06:19] 🤖 Gen2Act: Human Video Generation in Novel Scenarios enables Generalizable Robot Manipulation（Gen2Act：在新场景中生成人类视频以实现可泛化的机器人操作） [06:57] 🎨 Improvements to SDXL in NovelAI Diffusion V3（NovelAI Diffusion V3中SDXL的改进） [07:41] 🔄 Reward-Robust RLHF in LLMs（大语言模型中的奖励鲁棒RLHF） [08:16] 🤖 DynaMo: In-Domain Dynamics Pretraining for Visuo-Motor Control（DynaMo：视觉运动控制的域内动力学预训练） [08:54] 🇮 SLIMER-IT: Zero-Shot NER on Italian Language（SLIMER-IT：意大利语零样本命名实体识别） [09:33] 📈 Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts（基于专家混合的十亿级时间序列基础模型） [10:17] 🛡 RRM: Robust Reward Model Training Mitigates Reward Hacking（RRM：鲁棒奖励模型训练缓解奖励作弊） [10:50] 📊 Tabular Data Generation using Binary Diffusion（使用二进制扩散生成表格数据） 【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

本期的 14 篇论文如下： [00:25] 🤖 RACER: Rich Language-Guided Failure Recovery Policies for Imitation Learning（RACER：基于丰富语言引导的模仿学习失败恢复策略） [01:00] 🩺 A Preliminary Study of o1 in Medicine: Are We Closer to an AI Doctor?（医学领域中o1的初步研究：我们离AI医生更近了吗？） [01:34] 🧙 PixWizard: Versatile Image-to-Image Visual Assistant with Open-Language Instructions（PixWizard：基于开放语言指令的多功能图像到图像视觉助手） [02:16] 👻 Phantom of Latent for Large Language and Vision Models（大语言与视觉模型中的潜在幻影） [02:55] 🩺 Beyond Fine-tuning: Unleashing the Potential of Continuous Pretraining for Clinical LLMs（超越微调：释放临床大型语言模型连续预训练的潜力） [03:31] 🪞 Reflecting Reality: Enabling Diffusion Models to Produce Faithful Mirror Reflections（反映现实：使扩散模型生成可信的镜像反射） [04:11] 🌟 MaterialFusion: Enhancing Inverse Rendering with Material Diffusion Priors（材料融合：通过材料扩散先验增强逆渲染） [04:51] 🩺 An adapted large language model facilitates multiple medical tasks in diabetes care（适应性大型语言模型在糖尿病护理中的多任务应用） [05:30] 🎭 MaskedMimic: Unified Physics-Based Character Control Through Masked Motion Inpainting（基于掩码运动修复的统一物理角色控制） [06:08] 🤖 Style over Substance: Failure Modes of LLM Judges in Alignment Benchmarking（形式胜于实质：LLM评判者在对齐基准测试中的失效模式） [06:54] 🗣 Zero-shot Cross-lingual Voice Transfer for TTS（零样本跨语言语音转换用于TTS） [07:28] 🌐 SpaceBlender: Creating Context-Rich Collaborative Spaces Through Generative 3D Scene Blending（SpaceBlender：通过生成3D场景融合创建上下文丰富的协作空间） [08:07] 🎵 Self-Supervised Audio-Visual Soundscape Stylization（自监督视听音景风格化） [08:42] 📊 A Case Study of Web App Coding with OpenAI Reasoning Models（使用OpenAI推理模型进行Web应用编码的案例研究） 【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

本期的 11 篇论文如下： [00:26] 🎨 Imagine yourself: Tuning-Free Personalized Image Generation（想象自己：无调优个性化图像生成） [01:02] 😂 YesBut: A High-Quality Annotated Multimodal Dataset for evaluating Satire Comprehension capability of Vision-Language Models（YesBut：评估视觉语言模型讽刺理解能力的高质量多模态数据集） [01:40] 🌍 Prithvi WxC: Foundation Model for Weather and Climate（Prithvi WxC：天气和气候的基础模型） [02:15] 🎵 MuCodec: Ultra Low-Bitrate Music Codec（MuCodec：超低比特率音乐编解码器） [02:51] 🌈 Colorful Diffuse Intrinsic Image Decomposition in the Wild（在野外进行彩色漫反射内在图像分解） [03:29] 🎥 Portrait Video Editing Empowered by Multimodal Generative Priors（基于多模态生成先验的肖像视频编辑） [04:01] 🎥 Temporally Aligned Audio for Video with Autoregression（基于自回归的视频音频时间对齐生成） [04:38] 📱 V^3: Viewing Volumetric Videos on Mobiles via Streamable 2D Dynamic Gaussians（V^3：通过可流式2D动态高斯函数在移动设备上观看体积视频） [05:21] 📚 Fact, Fetch, and Reason: A Unified Evaluation of Retrieval-Augmented Generation（事实、获取与推理：检索增强生成的统一评估） [05:57] 🛡 Hackphyr: A Local Fine-Tuned LLM Agent for Network Security Environments（Hackphyr：用于网络安全环境的本地微调LLM代理） [06:34] 🎻 Minstrel: Structural Prompt Generation with Multi-Agents Coordination for Non-AI Experts（Minstrel：面向非AI专家的多智能体协同结构化提示生成） 【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

本期的 5 篇论文如下： [00:42] TOP1(🔥86) | 🚀 Qwen2.5-Coder Technical Report（Qwen2.5-Coder 技术报告） [03:55] TOP2(🔥74) | 🤖 Training Language Models to Self-Correct via Reinforcement Learning（通过强化学习训练语言模型进行自我修正） [05:47] TOP3(🔥67) | 🌐 OmniGen: Unified Image Generation（OmniGen：统一图像生成） [07:51] TOP4(🔥54) | 🌍 Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution（Qwen2-VL：增强视觉-语言模型在任意分辨率下的世界感知能力） [10:30] TOP5(🔥51) | 🌐 NVLM: Open Frontier-Class Multimodal LLMs（NVLM：开放前沿类多模态大语言模型） 【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

本期的 15 篇论文如下： [00:24] 🤖 Training Language Models to Self-Correct via Reinforcement Learning（通过强化学习训练语言模型进行自我修正） [01:03] 📚 InfiMM-WebMath-40B: Advancing Multimodal Pre-Training for Enhanced Mathematical Reasoning（InfiMM-WebMath-40B：推进多模态预训练以增强数学推理） [01:40] 🔍 MMSearch: Benchmarking the Potential of Large Models as Multi-modal Search Engines（MMSearch：评估大型模型作为多模态搜索引擎的潜力） [02:19] 🌐 Oryx MLLM: On-Demand Spatial-Temporal Understanding at Arbitrary Resolution（Oryx MLLM：按需任意分辨率的空间-时间理解） [02:55] 🎨 LVCD: Reference-based Lineart Video Colorization with Diffusion Models（基于扩散模型的参考线稿视频着色） [03:35] 🧠 B4: Towards Optimal Assessment of Plausible Code Solutions with Plausible Tests（B4：基于合理测试评估合理代码解决方案的最优方法） [04:13] 📖 StoryMaker: Towards Holistic Consistent Characters in Text-to-image Generation（StoryMaker：在文本到图像生成中实现整体一致的角色） [04:59] 🌐 3DTopia-XL: Scaling High-quality 3D Asset Generation via Primitive Diffusion（3DTopia-XL：通过基本体扩散扩展高质量3D资产生成） [05:39] 🚀 Scaling Smart: Accelerating Large Language Model Pre-training with Small Model Initialization（智能扩展：利用小模型初始化加速大型语言模型预训练） [06:18] 🤖 Language Models Learn to Mislead Humans via RLHF（语言模型通过RLHF误导人类） [06:59] 🎨 FlexiTex: Enhancing Texture Generation with Visual Guidance（FlexiTex：通过视觉引导增强纹理生成） [07:36] 🎥 Denoising Reuse: Exploiting Inter-frame Motion Consistency for Efficient Video Latent Generation（去噪重用：利用帧间运动一致性实现高效视频潜在生成） [08:13] 📚 MURI: High-Quality Instruction Tuning Datasets for Low-Resource Languages via Reverse Instructions（通过反向指令为低资源语言生成高质量指令调优数据集） [08:52] 🎙 CLAIR-A: Leveraging Large Language Models to Judge Audio Captions（利用大型语言模型评估音频字幕） [09:28] ⚡ 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt（3DGS-LM：使用Levenberg-Marquardt加速高斯散射优化） 【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

本期的 11 篇论文如下： [00:28] 🚀 Qwen2.5-Coder Technical Report（Qwen2.5-Coder 技术报告） [01:06] 🌍 Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution（Qwen2-VL：增强视觉-语言模型在任意分辨率下的世界感知能力） [01:47] 🎯 LLMs + Persona-Plug = Personalized LLMs（LLMs + Persona-Plug = 个性化LLMs） [02:32] 🔍 To CoT or not to CoT? Chain-of-thought helps mainly on math and symbolic reasoning（是否使用CoT？链式思维主要在数学和符号推理中起作用） [03:12] 🌐 GRIN: GRadient-INformed MoE（GRIN：梯度引导的MoE模型） [03:50] 📚 Preference Tuning with Human Feedback on Language, Speech, and Vision Tasks: A Survey（基于人类反馈的语言、语音和视觉任务偏好调优：综述） [04:30] 🎙 Takin: A Cohort of Superior Quality Zero-shot Speech Generation Models（Takin：一组高质量零样本语音生成模型） [05:19] 🎵 Towards Diverse and Efficient Audio Captioning via Diffusion Models（基于扩散模型的多样化高效音频描述生成） [06:02] 📚 A Controlled Study on Long Context Extension and Generalization in LLMs（大型语言模型中长上下文扩展与泛化的控制研究） [06:42] 🌌 Vista3D: Unravel the 3D Darkside of a Single Image（Vista3D：揭开单张图像的3D暗面） [07:18] 🎧 SoloAudio: Target Sound Extraction with Language-oriented Audio Diffusion Transformer（SoloAudio：基于语言导向的音频扩散Transformer的目标声音提取） 【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

本期的 15 篇论文如下： [00:26] 🌐 OmniGen: Unified Image Generation（OmniGen：统一图像生成） [01:02] 🌐 NVLM: Open Frontier-Class Multimodal LLMs（NVLM：开放前沿类多模态大语言模型） [01:41] 🔍 Fine-Tuning Image-Conditional Diffusion Models is Easier than You Think（微调图像条件扩散模型比你想象的更容易） [02:15] 🌐 Phidias: A Generative Model for Creating 3D Content from Text, Image, and 3D Conditions with Reference-Augmented Diffusion（Phidias：一种利用参考增强扩散从文本、图像和3D条件生成3D内容的生成模型） [02:59] 🎥 OSV: One Step is Enough for High-Quality Image to Video Generation（OSV：一步生成高质量图像到视频） [03:38] 🤖 On the limits of agency in agent-based models（基于代理模型的代理限制研究） [04:17] 🔍 Promptriever: Instruction-Trained Retrievers Can Be Prompted Like Language Models（提示检索器：指令训练的检索器可以像语言模型一样被提示） [04:52] 📊 A Comprehensive Evaluation of Quantized Instruction-Tuned Large Language Models: An Experimental Analysis up to 405B（量化指令调优大型语言模型的综合评估：一项高达405B参数的实验分析） [05:38] 🎵 EzAudio: Enhancing Text-to-Audio Generation with Efficient Diffusion Transformer（EzAudio：利用高效扩散Transformer增强文本到音频生成） [06:21] 🤖 Agile Continuous Jumping in Discontinuous Terrains（不连续地形中的敏捷连续跳跃） [07:01] 🌐 SplatFields: Neural Gaussian Splats for Sparse 3D and 4D Reconstruction（SplatFields: 用于稀疏3D和4D重建的神经高斯Splats） [07:34] 📈 Single-Layer Learnable Activation for Implicit Neural Representation (SL$^{2}$A-INR)（单层可学习激活函数用于隐式神经表示） [08:11] 📈 Implicit Neural Representations with Fourier Kolmogorov-Arnold Networks（基于傅里叶科尔莫戈罗夫-阿诺德网络的隐式神经表示） [08:53] 🎵 PDMX: A Large-Scale Public Domain MusicXML Dataset for Symbolic Music Processing（PDMX：用于符号音乐处理的大规模公共领域MusicXML数据集） [09:38] 🔍 Measuring and Enhancing Trustworthiness of LLMs in RAG through Grounded Attributions and Learning to Refuse（通过基于属性的归因和学习拒绝来衡量和增强RAG中LLM的可信度） 【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

本期的 13 篇论文如下： [00:26] 🎵 Seed-Music: A Unified Framework for High Quality and Controlled Music Generation（Seed-Music：高质量和可控音乐生成的统一框架） [01:03] ⚡ RetrievalAttention: Accelerating Long-Context LLM Inference via Vector Retrieval（通过向量检索加速长上下文大语言模型推理） [01:46] 🌐 Ferret: Federated Full-Parameter Tuning at Scale for Large Language Models（Ferret：大规模联邦学习中大型语言模型的全参数微调） [02:35] 🔍 Guiding Vision-Language Model Selection for Visual Question-Answering Across Tasks, Domains, and Knowledge Types（指导视觉语言模型选择用于跨任务、领域和知识类型的视觉问答） [03:20] 🔊 ReCLAP: Improving Zero Shot Audio Classification by Describing Sounds（ReCLAP：通过描述声音改进零样本音频分类） [04:04] 📚 One missing piece in Vision and Language: A Survey on Comics Understanding（视觉与语言中的缺失一环：漫画理解综述） [04:42] 🌐 jina-embeddings-v3: Multilingual Embeddings With Task LoRA（Jina-embeddings-v3：多语言嵌入与任务LoRA） [05:28] 🧠 On the Diagram of Thought（关于思维图的探讨） [06:10] 🔊 AudioBERT: Audio Knowledge Augmented Language Model（音频BERT：增强语言模型的音频知识） [06:40] 🔍 Policy Filtration in RLHF to Fine-Tune LLM for Code Generation（在RLHF中进行策略过滤以微调LLM进行代码生成） [07:20] 📊 Towards Predicting Temporal Changes in a Patient's Chest X-ray Images based on Electronic Health Records（基于电子健康记录预测患者胸部X光图像的时间变化） [07:57] 🤖 Breaking reCAPTCHAv2（破解 reCAPTCHAv2） [08:27] 🐝 beeFormer: Bridging the Gap Between Semantic and Interaction Similarity in Recommender Systems（beeFormer：在推荐系统中弥合语义和交互相似性之间的差距） 【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

本期的 7 篇论文如下： [00:23] 💡 A Diffusion Approach to Radiance Field Relighting using Multi-Illumination Synthesis（使用多光照合成的辐射场重光照的扩散方法） [00:56] 🖱 InstantDrag: Improving Interactivity in Drag-based Image Editing（即时拖拽：提升基于拖拽的图像编辑交互性） [01:31] 🎥 Robust Dual Gaussian Splatting for Immersive Human-centric Volumetric Videos（鲁棒双高斯散射用于沉浸式以人为中心的体积视频） [02:10] 🎨 DrawingSpinUp: 3D Animation from Single Character Drawings（从单个角色绘图生成3D动画） [02:41] 🎧 Apollo: Band-sequence Modeling for High-Quality Audio Restoration（阿波罗：用于高质量音频恢复的频带序列建模） [03:21] 🖱 Click2Mask: Local Editing with Dynamic Mask Generation（Click2Mask：动态掩码生成的局部编辑） [03:58] 🔍 Mamba-YOLO-World: Marrying YOLO-World with Mamba for Open-Vocabulary Detection（Mamba-YOLO-World：将YOLO-World与Mamba结合用于开放词汇检测） 【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