本期的 15 篇论文如下： [00:21] 🎬 One-Minute Video Generation with Test-Time Training（基于测试时训练的分钟级视频生成） [01:03] 💡 SmolVLM: Redefining small and efficient multimodal models（SmolVLM：重新定义小型高效多模态模型） [01:39] 🖼 URECA: Unique Region Caption Anything（URECA：独特区域描述一切） [02:17] 🧰 T1: Tool-integrated Self-verification for Test-time Compute Scaling in Small Language Models（工具集成自验证：用于小语言模型中测试时计算扩展） [03:02] 🖼 Concept Lancet: Image Editing with Compositional Representation Transplant（概念柳叶刀：基于成分表示移植的图像编辑） [03:41] 🤔 Quantization Hurts Reasoning? An Empirical Study on Quantized Reasoning Models（量化会损害推理能力吗？量化推理模型的实证研究） [04:26] 📰 LiveVQA: Live Visual Knowledge Seeking（LiveVQA：实时视觉知识检索） [05:08] 🎨 Gaussian Mixture Flow Matching Models（高斯混合流动匹配模型） [05:47] 💡 VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks（VAPO：用于高级推理任务的高效可靠的强化学习） [06:26] 🕵 Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs（你得到的是你所支付的吗？大型语言模型API中的模型替换审计） [07:17] 🧰 DiaTool-DPO: Multi-Turn Direct Preference Optimization for Tool-Augmented Large Language Models（DiaTool-DPO：用于工具增强的大型语言模型的多轮直接偏好优化） [07:54] ⚕ Clinical ModernBERT: An efficient and long context encoder for biomedical text（临床ModernBERT：一种用于生物医学文本的高效长上下文编码器） [08:28] 🐍 Mamba as a Bridge: Where Vision Foundation Models Meet Vision Language Models for Domain-Generalized Semantic Segmentation（Mamba：连接视觉基础模型与视觉语言模型，实现领域泛化语义分割） [09:12] 🤖 BOP Challenge 2024 on Model-Based and Model-Free 6D Object Pose Estimation（基于模型和无模型的6D物体姿态估计BOP挑战赛2024） [09:48] 🛡 JailDAM: Jailbreak Detection with Adaptive Memory for Vision-Language Model（JailDAM：基于自适应记忆的视觉-语言模型越狱检测） 【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
本期的 15 篇论文如下： [00:23] 🛠 Multi-SWE-bench: A Multilingual Benchmark for Issue Resolving（Multi-SWE-bench：一个用于问题解决的多语言基准测试） [01:07] 🧠 Agentic Knowledgeable Self-awareness（具身智能的知识型自我感知） [01:49] 🧮 MegaMath: Pushing the Limits of Open Math Corpora（MegaMath：推动开放数学语料库的极限） [02:32] 🤖 SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement（SynWorld：用于智能体行为知识精炼的虚拟场景合成） [03:20] 🖼 MME-Unify: A Comprehensive Benchmark for Unified Multimodal Understanding and Generation Models（MME-Unify：统一多模态理解与生成模型的综合基准） [04:03] 🖼 VARGPT-v1.1: Improve Visual Autoregressive Large Unified Model via Iterative Instruction Tuning and Reinforcement Learning（VARGPT-v1.1：通过迭代指令调优和强化学习改进视觉自回归大型统一模型） [04:42] 🔄 TransMamba: Flexibly Switching between Transformer and Mamba（TransMamba：在Transformer和Mamba之间灵活切换） [05:21] 🤖 APIGen-MT: Agentic Pipeline for Multi-Turn Data Generation via Simulated Agent-Human Interplay（APIGen-MT：基于模拟智能体-人类交互的多轮数据生成的主动式流程） [05:59] 🧑 HumanDreamer-X: Photorealistic Single-image Human Avatars Reconstruction via Gaussian Restoration（HumanDreamer-X：基于高斯恢复的逼真单图像人体化身重建） [06:39] 💡 Comprehensive Relighting: Generalizable and Consistent Monocular Human Relighting and Harmonization（全面重打光：通用且一致的单目人体重打光与和谐化） [07:20] 👂 EvMic: Event-based Non-contact sound recovery from effective spatial-temporal modeling（EvMic：基于有效时空建模的事件相机非接触式声音恢复） [08:02] 🫁 MedSAM2: Segment Anything in 3D Medical Images and Videos（MedSAM2：三维医学图像与视频中的通用分割模型） [08:47] ⚖ BEATS: Bias Evaluation and Assessment Test Suite for Large Language Models（BEATS：大型语言模型偏见评估与评测测试套件） [09:35] 🚄 Slow-Fast Architecture for Video Multi-Modal Large Language Models（面向视频多模态大语言模型的慢-快架构） [10:14] 🎨 SPF-Portrait: Towards Pure Portrait Customization with Semantic Pollution-Free Fine-tuning（SPF-Portrait：面向纯粹人像定制的无语义污染微调） 【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： [00:42] TOP1(🔥226) | 🤖 Feature-Level Insights into Artificial Text Detection with Sparse Autoencoders（基于稀疏自编码器的人工文本检测特征分析） [03:07] TOP2(🔥153) | 🧠 Transformers without Normalization（无需归一化的Transformer） [04:59] TOP3(🔥136) | 🎥 DropletVideo: A Dataset and Approach to Explore Integral Spatio-Temporal Consistent Video Generation（DropletVideo：探索整体时空一致性视频生成的数据集与方法） [07:51] TOP4(🔥135) | 🦢 RWKV-7 "Goose" with Expressive Dynamic State Evolution（RWKV-7 "Goose"：具有表达性动态状态演化的序列建模架构） [11:11] TOP5(🔥130) | 🎥 ReCamMaster: Camera-Controlled Generative Rendering from A Single Video（ReCamMaster：基于单视频的相机控制生成式渲染） [13:27] TOP6(🔥129) | 🇷 RuCCoD: Towards Automated ICD Coding in Russian（RuCCoD：面向俄语自动化的ICD编码研究） [15:41] TOP7(🔥120) | 🤖 Qwen2.5-Omni Technical Report（Qwen2.5-Omni技术报告） [18:17] TOP8(🔥114) | 🌐 Unified Reward Model for Multimodal Understanding and Generation（多模态理解和生成的统一奖励模型） [20:30] TOP9(🔥113) | 🤖 DAPO: An Open-Source LLM Reinforcement Learning System at Scale（DAPO：一个大规模的开源LLM强化学习系统） [22:29] TOP10(🔥112) | 🧠 I Have Covered All the Bases Here: Interpreting Reasoning Features in Large Language Models via Sparse Autoencoders（我已经覆盖了所有基础：通过稀疏自编码器解读大型语言模型中的推理特征） 【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： [00:40] TOP1(🔥101) | 🧠 Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems（具身智能体的进展与挑战：从脑启发智能到进化、协作与安全系统） [03:17] TOP2(🔥83) | 🖼 TextCrafter: Accurately Rendering Multiple Texts in Complex Visual Scenes（TextCrafter：复杂视觉场景中准确渲染多重文本） [05:27] TOP3(🔥80) | 🎬 MoCha: Towards Movie-Grade Talking Character Synthesis（MoCha：面向电影级对话角色合成） [07:49] TOP4(🔥67) | 💡 AdaptiVocab: Enhancing LLM Efficiency in Focused Domains through Lightweight Vocabulary Adaptation（AdaptiVocab：通过轻量级词汇自适应增强LLM在特定领域的效率） [09:57] TOP5(🔥65) | 🎬 Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation（Any2Caption：将任意条件解析为描述以实现可控视频生成） 【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 15 篇论文如下： [00:19] 🧠 Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems（具身智能体的进展与挑战：从脑启发智能到进化、协作与安全系统） [01:01] 🖼 Envisioning Beyond the Pixels: Benchmarking Reasoning-Informed Visual Editing（超越像素的展望：推理驱动的视觉编辑基准测试） [01:41] 🖼 GPT-ImgEval: A Comprehensive Benchmark for Diagnosing GPT4o in Image Generation（GPT-ImgEval：一个用于诊断 GPT4o 在图像生成中表现的综合性基准） [02:25] 🤖 Rethinking RL Scaling for Vision Language Models: A Transparent, From-Scratch Framework and Comprehensive Evaluation Scheme（重新思考视觉语言模型的强化学习扩展：一个透明的、从零开始的框架和综合评估方案） [03:08] 🗣 Scaling Analysis of Interleaved Speech-Text Language Models（交错语音-文本语言模型的规模化分析） [03:52] 🎬 SkyReels-A2: Compose Anything in Video Diffusion Transformers（SkyReels-A2：视频扩散Transformer中的任意元素组合） [04:36] 🧊 ShortV: Efficient Multimodal Large Language Models by Freezing Visual Tokens in Ineffective Layers（ShortV：通过冻结无效层中的视觉 tokens 实现高效多模态大型语言模型） [05:13] 📉 ZClip: Adaptive Spike Mitigation for LLM Pre-Training（ZClip：用于LLM预训练的自适应尖峰缓解） [05:50] 🧠 Inference-Time Scaling for Generalist Reward Modeling（通用奖励建模的推理时扩展） [06:32] 🗣 Audio-visual Controlled Video Diffusion with Masked Selective State Spaces Modeling for Natural Talking Head Generation（基于掩码选择性状态空间建模的音视频控制视频扩散，用于自然对话头部的生成） [07:12] ⏱ Efficient Model Selection for Time Series Forecasting via LLMs（基于大型语言模型的时间序列预测高效模型选择） [07:55] 🤖 Scaling Laws in Scientific Discovery with AI and Robot Scientists（人工智能与机器人科学家在科学发现中的规模法则） [08:35] 🧠 Instruction-Guided Autoregressive Neural Network Parameter Generation（指令引导的自回归神经网络参数生成） [09:18] 🤖 GenPRM: Scaling Test-Time Compute of Process Reward Models via Generative Reasoning（GenPRM：通过生成式推理扩展过程奖励模型的测试时计算） [10:01] 🧠 Interpreting Emergent Planning in Model-Free Reinforcement Learning（解读免模型强化学习中涌现的规划能力） 【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： [00:23] 🎨 MergeVQ: A Unified Framework for Visual Generation and Representation with Disentangled Token Merging and Quantization（MergeVQ：一种用于视觉生成和表示的统一框架，具有解耦的Token合并和量化） [01:00] 🧠 Improved Visual-Spatial Reasoning via R1-Zero-Like Training（通过类R1-Zero训练改进视觉空间推理） [01:45] 🎮 AnimeGamer: Infinite Anime Life Simulation with Next Game State Prediction（动漫玩家：基于下一代游戏状态预测的无限动漫人生模拟） [02:25] 🎬 VideoScene: Distilling Video Diffusion Model to Generate 3D Scenes in One Step（VideoScene：提炼视频扩散模型以一步生成3D场景） [03:03] 🎭 DreamActor-M1: Holistic, Expressive and Robust Human Image Animation with Hybrid Guidance（DreamActor-M1：基于混合引导的整体、富有表现力且鲁棒的人体图像动画） [03:42] 🧐 Understanding R1-Zero-Like Training: A Critical Perspective（理解类R1-Zero训练：一个批判性的视角） [04:28] 🎬 Towards Physically Plausible Video Generation via VLM Planning（基于视觉语言模型规划的物理合理视频生成） [05:09] 🤖 PaperBench: Evaluating AI's Ability to Replicate AI Research（PaperBench：评估人工智能复现人工智能研究的能力） [05:49] 🤖 ScholarCopilot: Training Large Language Models for Academic Writing with Accurate Citations（ScholarCopilot：训练用于学术写作并提供精确引用的**大型语言模型**） [06:31] 💡 ILLUME+: Illuminating Unified MLLM with Dual Visual Tokenization and Diffusion Refinement（ILLUME+：通过双重视觉Token化和扩散细化照亮统一的多模态大语言模型） [07:11] 💃 Articulated Kinematics Distillation from Video Diffusion Models（基于视频扩散模型的铰接运动学提炼） [07:51] 🛡 Safeguarding Vision-Language Models: Mitigating Vulnerabilities to Gaussian Noise in Perturbation-based Attacks（保障视觉-语言模型安全：缓解基于扰动攻击中高斯噪声的脆弱性） [08:32] 👁 DASH: Detection and Assessment of Systematic Hallucinations of VLMs（DASH：视觉语言模型系统性幻觉的检测与评估） [09:11] 🖼 Boost Your Human Image Generation Model via Direct Preference Optimization（通过直接偏好优化提升人体图像生成模型） [09:47] 👁 LSNet: See Large, Focus Small（LSNet：观其大，聚焦小） 【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： [00:21] 🎬 Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation（Any2Caption：将任意条件解析为描述以实现可控视频生成） [01:01] 🎬 Exploring the Effect of Reinforcement Learning on Video Understanding: Insights from SEED-Bench-R1（探索强化学习对视频理解的影响：来自SEED-Bench-R1的见解） [01:48] ⚖ JudgeLRM: Large Reasoning Models as a Judge（JudgeLRM：将大型推理模型作为评判者） [02:30] 🤖 CodeARC: Benchmarking Reasoning Capabilities of LLM Agents for Inductive Program Synthesis（CodeARC：用于归纳程序合成的LLM智能体推理能力基准测试） [03:13] 💡 Open-Qwen2VL: Compute-Efficient Pre-Training of Fully-Open Multimodal LLMs on Academic Resources（Open-Qwen2VL：在学术资源上进行计算高效的完全开源多模态LLM预训练） [04:02] 🎥 GeometryCrafter: Consistent Geometry Estimation for Open-world Videos with Diffusion Priors（GeometryCrafter：基于扩散先验的开放世界视频一致几何体估计） [04:48] 💻 Z1: Efficient Test-time Scaling with Code（Z1：基于代码的高效测试时扩展） [05:26] 🤖 Agent S2: A Compositional Generalist-Specialist Framework for Computer Use Agents（Agent S2：计算机使用代理的组合式通用-专家框架） [06:08] 💃 MixerMDM: Learnable Composition of Human Motion Diffusion Models（MixerMDM：人类运动扩散模型的可学习组合） [06:46] 🏢 Command A: An Enterprise-Ready Large Language Model（Command A：一款面向企业就绪的大型语言模型） [07:31] 💡 Harnessing the Reasoning Economy: A Survey of Efficient Reasoning for Large Language Models（驾驭推理经济：大型语言模型高效推理的综述） [08:09] 🎬 OmniMMI: A Comprehensive Multi-modal Interaction Benchmark in Streaming Video Contexts（OmniMMI：流视频场景下综合性多模态交互基准） [08:53] 🤯 Recitation over Reasoning: How Cutting-Edge Language Models Can Fail on Elementary School-Level Reasoning Problems?（背诵胜于推理：顶尖语言模型如何在小学水平的推理问题上失败？） [09:40] 🖼 Scaling Language-Free Visual Representation Learning（扩展无语言视觉表征学习） [10:23] 🤔 When To Solve, When To Verify: Compute-Optimal Problem Solving and Generative Verification for LLM Reasoning（何时求解，何时验证：LLM推理的计算最优问题求解与生成式验证） 【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： [00:22] 🖼 TextCrafter: Accurately Rendering Multiple Texts in Complex Visual Scenes（TextCrafter：复杂视觉场景中准确渲染多个文本） [00:59] 🎬 MoCha: Towards Movie-Grade Talking Character Synthesis（MoCha：面向电影级对话角色合成） [01:39] 🔍 What, How, Where, and How Well? A Survey on Test-Time Scaling in Large Language Models（什么、如何、何地以及如何有效？大型语言模型中测试时扩展的调查） [02:16] 🤖 Open-Reasoner-Zero: An Open Source Approach to Scaling Up Reinforcement Learning on the Base Model（Open-Reasoner-Zero：一种基于基础模型扩展强化学习的开源方法） [03:05] 🧠 RIG: Synergizing Reasoning and Imagination in End-to-End Generalist Policy（RIG：端到端通用策略中推理与想象的协同） [03:48] 🧠 Effectively Controlling Reasoning Models through Thinking Intervention（通过思维干预有效控制推理模型） [04:32] 💡 Query and Conquer: Execution-Guided SQL Generation（查询与征服：执行引导的SQL生成） [05:15] ✍ SketchVideo: Sketch-based Video Generation and Editing（SketchVideo：基于草图的视频生成与编辑） [06:04] 🚨 TeleAntiFraud-28k: A Audio-Text Slow-Thinking Dataset for Telecom Fraud Detection（TeleAntiFraud-28k：用于电信诈骗检测的音频-文本慢思考数据集） [06:57] 💡 Efficient Inference for Large Reasoning Models: A Survey（大型推理模型高效推理综述） [07:40] 🤖 Classical Planning with LLM-Generated Heuristics: Challenging the State of the Art with Python Code（基于LLM生成启发式的经典规划：用Python代码挑战最先进水平） [08:29] 🧪 Expanding RL with Verifiable Rewards Across Diverse Domains（利用可验证奖励扩展强化学习至多样化领域） [09:11] ✨ Progressive Rendering Distillation: Adapting Stable Diffusion for Instant Text-to-Mesh Generation without 3D Data（渐进式渲染蒸馏：无需3D数据即可调整Stable Diffusion用于即时文本到网格生成） [09:50] 🤖 TokenHSI: Unified Synthesis of Physical Human-Scene Interactions through Task Tokenization（TokenHSI：通过任务Token化统一合成物理人-场景交互） [10:30] 🇰 KOFFVQA: An Objectively Evaluated Free-form VQA Benchmark for Large Vision-Language Models in the Korean Language（KOFFVQA：一个针对大型视觉-语言模型在韩语中进行客观评估的自由形式VQA基准） 【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： [00:22] 💡 AdaptiVocab: Enhancing LLM Efficiency in Focused Domains through Lightweight Vocabulary Adaptation（AdaptiVocab：通过轻量级词汇自适应增强LLM在特定领域的效率） [01:01] 🤖 Exploring Data Scaling Trends and Effects in Reinforcement Learning from Human Feedback（探索人类反馈强化学习中的数据缩放趋势与影响） [01:41] 🤔 Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation（推荐之前先思考：释放序列推荐中的潜在推理能力） [02:19] 💡 A Survey of Efficient Reasoning for Large Reasoning Models: Language, Multimodality, and Beyond（大型推理模型高效推理综述：语言、多模态及其他） [02:58] 🖼 ORIGEN: Zero-Shot 3D Orientation Grounding in Text-to-Image Generation（ORIGEN：文本到图像生成中零样本三维方向定位） [03:44] 🧠 OThink-MR1: Stimulating multimodal generalized reasoning capabilities via dynamic reinforcement learning（OThink-MR1：通过动态强化学习激发多模态通用推理能力） [04:25] 🔄 ReFeed: Multi-dimensional Summarization Refinement with Reflective Reasoning on Feedback（ReFeed：基于反馈反射推理的多维度摘要改进） [04:59] 🎬 Free4D: Tuning-free 4D Scene Generation with Spatial-Temporal Consistency（Free4D：无需微调的具有时空一致性的4D场景生成） [05:37] 🧪 PHYSICS: Benchmarking Foundation Models on University-Level Physics Problem Solving（物理学：在大学水平物理问题求解中对基础模型进行基准测试） [06:24] 🗣 Perceptually Accurate 3D Talking Head Generation: New Definitions, Speech-Mesh Representation, and Evaluation Metrics（感知准确的3D说话头生成：新定义、语音-网格表示和评估指标） [07:03] 🎬 Segment Any Motion in Videos（视频中的任意运动对象分割） [07:42] 🖼 Hi3DGen: High-fidelity 3D Geometry Generation from Images via Normal Bridging（Hi3DGen：基于法线桥接的图像高保真3D几何体生成） [08:28] 🖼 Your ViT is Secretly an Image Segmentation Model（你的ViT竟然是图像分割模型） [09:04] 🤔 4D-Bench: Benchmarking Multi-modal Large Language Models for 4D Object Understanding（4D-Bench：用于4D对象理解的多模态大型语言模型基准测试） [09:48] 💡 A Refined Analysis of Massive Activations in LLMs（LLM中大规模激活的精细化分析） 【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： [00:37] TOP1(🔥109) | 🧠 I Have Covered All the Bases Here: Interpreting Reasoning Features in Large Language Models via Sparse Autoencoders（我已经覆盖了所有基础：通过稀疏自编码器解读大型语言模型中的推理特征） [02:42] TOP2(🔥92) | 🤖 Qwen2.5-Omni Technical Report（Qwen2.5-Omni技术报告） [05:10] TOP3(🔥83) | 🎬 Video-T1: Test-Time Scaling for Video Generation（Video-T1：面向视频生成的测试时缩放） [07:36] TOP4(🔥70) | 🧮 When Less is Enough: Adaptive Token Reduction for Efficient Image Representation（适可而止：用于高效图像表征的自适应Token缩减） [10:00] TOP5(🔥68) | 🎬 Long-Context Autoregressive Video Modeling with Next-Frame Prediction（基于下一帧预测的长程上下文自回归视频建模） 【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： [00:22] 🧠 Video-R1: Reinforcing Video Reasoning in MLLMs（Video-R1：增强多模态大语言模型中的视频推理） [01:02] 📱 UI-R1: Enhancing Action Prediction of GUI Agents by Reinforcement Learning（UI-R1：通过强化学习增强GUI代理的动作预测） [01:41] 🤯 Challenging the Boundaries of Reasoning: An Olympiad-Level Math Benchmark for Large Language Models（挑战推理的边界：一个面向大型语言模型设计的奥林匹克级别数学基准） [02:25] 🎬 VBench-2.0: Advancing Video Generation Benchmark Suite for Intrinsic Faithfulness（VBench-2.0: 提升视频生成基准套件的内在真实性） [03:05] 🖼 LeX-Art: Rethinking Text Generation via Scalable High-Quality Data Synthesis（LeX-Art：通过可扩展的高质量数据合成重新思考文本生成） [03:38] 🤖 Large Language Model Agent: A Survey on Methodology, Applications and Challenges（大型语言模型智能体：方法论、应用与挑战综述） [04:23] 🧠 ReaRAG: Knowledge-guided Reasoning Enhances Factuality of Large Reasoning Models with Iterative Retrieval Augmented Generation（ReaRAG：知识引导的推理增强大型推理模型的事实性，通过迭代检索增强生成） [05:01] 🖼 Lumina-Image 2.0: A Unified and Efficient Image Generative Framework（Lumina-Image 2.0：一个统一且高效的图像生成框架） [05:48] 🤖 Embodied-Reasoner: Synergizing Visual Search, Reasoning, and Action for Embodied Interactive Tasks（具身推理器：协同视觉搜索、推理和行动以完成具身交互任务） [06:27] 💡 ResearchBench: Benchmarking LLMs in Scientific Discovery via Inspiration-Based Task Decomposition（ResearchBench：基于灵感驱动的任务分解评估大语言模型在科学发现中的能力） [07:12] 🚀 Optimal Stepsize for Diffusion Sampling（扩散采样的最优步长） [07:46] 🤔 Exploring the Evolution of Physics Cognition in Video Generation: A Survey（视频生成中物理认知进化探索：一项综述） [08:24] 🎤 FinAudio: A Benchmark for Audio Large Language Models in Financial Applications（FinAudio：金融应用中音频大语言模型的基准测试） [09:01] 🗣 ChatAnyone: Stylized Real-time Portrait Video Generation with Hierarchical Motion Diffusion Model（ChatAnyone：基于分层运动扩散模型的风格化实时人像视频生成） [09:40] 🧠 ZJUKLAB at SemEval-2025 Task 4: Unlearning via Model Merging（ZJUKLAB团队在SemEval-2025 Task 4：通过模型融合实现知识遗忘） 【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] 🤖 Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy（Dita：扩展扩散Transformer以实现通用视觉-语言-动作策略） [01:07] 🤖 Qwen2.5-Omni Technical Report（Qwen2.5-Omni技术报告） [01:46] 🧩 LEGO-Puzzles: How Good Are MLLMs at Multi-Step Spatial Reasoning?（乐高拼图：多模态大型语言模型在多步空间推理方面的表现如何？） [02:35] 🎬 Wan: Open and Advanced Large-Scale Video Generative Models（万：开放且先进的大规模视频生成模型） [03:24] 💡 Unconditional Priors Matter! Improving Conditional Generation of Fine-Tuned Diffusion Models（无条件先验至关重要！改进微调扩散模型的条件生成） [04:04] 🔍 Open Deep Search: Democratizing Search with Open-source Reasoning Agents（开放深度搜索：通过开源推理Agent实现搜索的民主化） [04:44] 🖼 GenHancer: Imperfect Generative Models are Secretly Strong Vision-Centric Enhancers（GenHancer：不完美的生成模型是隐藏的强大视觉中心增强器） [05:24] 📊 BizGen: Advancing Article-level Visual Text Rendering for Infographics Generation（BizGen：推进信息图生成中的文章级可视化文本渲染） [06:01] 🤖 Gemini Robotics: Bringing AI into the Physical World（Gemini Robotics：将人工智能带入物理世界） [06:39] 🧠 MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search（MCTS-RAG：利用蒙特卡洛树搜索增强检索增强生成） [07:22] 🚀 AccVideo: Accelerating Video Diffusion Model with Synthetic Dataset（AccVideo：利用合成数据集加速视频扩散模型） [07:54] 🖼 ViLBench: A Suite for Vision-Language Process Reward Modeling（ViLBench：一个用于视觉-语言过程奖励建模的套件） [08:33] 💾 LogQuant: Log-Distributed 2-Bit Quantization of KV Cache with Superior Accuracy Preservation（LogQuant：通过卓越精度保持实现KV缓存的对数分布2比特量化） [09:12] 🚗 ADS-Edit: A Multimodal Knowledge Editing Dataset for Autonomous Driving Systems（ADS-Edit：面向自动驾驶系统的多模态知识编辑数据集） [09:55] 🖼 Beyond Words: Advancing Long-Text Image Generation via Multimodal Autoregressive Models（超越文字：通过多模态自回归模型推进长文本图像生成） 【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
与播客爱好者一起交流
播放列表还是空的
去找些喜欢的节目添加进来吧
