本期的 5 篇论文如下： [00:42] TOP1(🔥93) | 🚀 Absolute Zero: Reinforced Self-play Reasoning with Zero Data（绝对零度：基于零数据的强化自博弈推理） [02:38] TOP2(🔥91) | 🧠 Perception, Reason, Think, and Plan: A Survey on Large Multimodal Reasoning Models（感知、推理、思考与规划：大型多模态推理模型综述） [04:44] TOP3(🔥83) | 🧠 Unified Multimodal Chain-of-Thought Reward Model through Reinforcement Fine-Tuning（基于强化微调的统一多模态思维链奖励模型） [06:35] TOP4(🔥77) | 🤖 Voila: Voice-Language Foundation Models for Real-Time Autonomous Interaction and Voice Role-Play（Voila：用于实时自主交互和语音角色扮演的语音-语言基础模型） [08:52] TOP5(🔥77) | 🧠 Grokking in the Wild: Data Augmentation for Real-World Multi-Hop Reasoning with Transformers（野外Grokking：使用Transformers进行真实世界多跳推理的数据增强） 【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] 🧠 Perception, Reason, Think, and Plan: A Survey on Large Multimodal Reasoning Models（感知、推理、思考与规划：大型多模态推理模型综述） [00:57] 🤖 On Path to Multimodal Generalist: General-Level and General-Bench（迈向多模态通用智能：通用水平与通用基准） [01:40] 🤖 Flow-GRPO: Training Flow Matching Models via Online RL（Flow-GRPO：通过在线强化学习训练Flow Matching模型） [02:23] 🧠 Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models（作为裁判的感知代理：评估大型语言模型中的高阶社会认知） [03:05] 🧠 Scalable Chain of Thoughts via Elastic Reasoning（基于弹性推理的可扩展思维链） [03:41] 🔍 FG-CLIP: Fine-Grained Visual and Textual Alignment（FG-CLIP：细粒度视觉与文本对齐） [04:19] 🏞 3D Scene Generation: A Survey（三维场景生成：综述） [05:02] 🧮 ICon: In-Context Contribution for Automatic Data Selection（ICon：用于自动数据选择的上下文贡献度学习） [05:39] 🎬 StreamBridge: Turning Your Offline Video Large Language Model into a Proactive Streaming Assistant（StreamBridge：将离线视频大语言模型转化为主动流式助手） [06:19] 🤖 LiftFeat: 3D Geometry-Aware Local Feature Matching（LiftFeat: 三维几何感知局部特征匹配） [06:56] 🧱 Generating Physically Stable and Buildable LEGO Designs from Text（基于文本生成物理稳定且可搭建的乐高设计） [07:38] 🧠 X-Reasoner: Towards Generalizable Reasoning Across Modalities and Domains（X-Reasoner：迈向跨模态和领域的通用推理） [08:22] 🌐 Crosslingual Reasoning through Test-Time Scaling（基于测试时缩放的跨语言推理） [09:04] 🖼 PlaceIt3D: Language-Guided Object Placement in Real 3D Scenes（PlaceIt3D：语言引导的真实3D场景物体放置） [09:42] 🌐 BrowseComp-ZH: Benchmarking Web Browsing Ability of Large Language Models in Chinese（BrowseComp-ZH：中文环境下评估大型语言模型网页浏览能力的基准） 【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 14 篇论文如下： [00:21] 💡 Unified Multimodal Understanding and Generation Models: Advances, Challenges, and Opportunities（统一多模态理解与生成模型：进展、挑战与机遇） [01:02] 🤖 ZeroSearch: Incentivize the Search Capability of LLMs without Searching（零搜索：无需搜索即可激励大型语言模型的搜索能力） [01:50] 🤔 Beyond Recognition: Evaluating Visual Perspective Taking in Vision Language Models（超越识别：评估视觉语言模型中的视觉视角采纳能力） [02:31] 🎬 HunyuanCustom: A Multimodal-Driven Architecture for Customized Video Generation（HunyuanCustom：一种用于定制视频生成的多模态驱动架构） [03:15] 🧩 PrimitiveAnything: Human-Crafted 3D Primitive Assembly Generation with Auto-Regressive Transformer（PrimitiveAnything：基于自回归Transformer的人工3D图元组合生成） [04:04] 🤖 Benchmarking LLMs' Swarm intelligence（大型语言模型群集智能基准测试） [04:49] 🤔 Beyond Theorem Proving: Formulation, Framework and Benchmark for Formal Problem-Solving（超越定理证明：形式化问题求解的公式、框架与基准） [05:26] 🤖 OpenHelix: A Short Survey, Empirical Analysis, and Open-Source Dual-System VLA Model for Robotic Manipulation（OpenHelix：机器人操作的双系统VLA模型的简要调查、实证分析和开源实现） [05:58] 🌐 OmniGIRL: A Multilingual and Multimodal Benchmark for GitHub Issue Resolution（OmniGIRL：一个用于GitHub问题解决的多语言和多模态基准） [06:36] 🖥 OSUniverse: Benchmark for Multimodal GUI-navigation AI Agents（OSUniverse：多模态GUI导航AI智能体的基准测试） [07:19] 🧠 Knowledge Augmented Complex Problem Solving with Large Language Models: A Survey（大型语言模型赋能知识增强的复杂问题求解：一项综述） [08:04] 🎛 R&B: Domain Regrouping and Data Mixture Balancing for Efficient Foundation Model Training（R&B：面向高效基础模型训练的领域重组与数据混合平衡） [08:48] 🤝 Cognitio Emergens: Agency, Dimensions, and Dynamics in Human-AI Knowledge Co-Creation（涌现认知：人机知识共创中的能动性、维度与动态） [09:26] 📹 Uncertainty-Weighted Image-Event Multimodal Fusion for Video Anomaly Detection（不确定性加权图像-事件多模态融合的视频异常检测） 【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 14 篇论文如下： [00:24] 🧠 Unified Multimodal Chain-of-Thought Reward Model through Reinforcement Fine-Tuning（基于强化微调的统一多模态思维链奖励模型） [01:10] 🤖 Absolute Zero: Reinforced Self-play Reasoning with Zero Data（绝对零度：零数据下的强化自博弈推理） [01:52] 🤸 FlexiAct: Towards Flexible Action Control in Heterogeneous Scenarios（FlexiAct：面向异构场景的灵活动作控制） [02:33] 🚀 RADLADS: Rapid Attention Distillation to Linear Attention Decoders at Scale（RADLADS：大规模线性注意力解码器的快速注意力蒸馏） [03:07] 🚀 RetroInfer: A Vector-Storage Approach for Scalable Long-Context LLM Inference（RetroInfer：一种用于可扩展长文本LLM推理的向量存储方法） [03:45] 👁 Decoding Open-Ended Information Seeking Goals from Eye Movements in Reading（从阅读中的眼动解码开放式信息搜寻目标） [04:30] 🗜 An Empirical Study of Qwen3 Quantization（Qwen3量化的实证研究） [05:09] ⚽ Multi-Agent System for Comprehensive Soccer Understanding（用于综合足球理解的多智能体系统） [05:52] 🗣 VITA-Audio: Fast Interleaved Cross-Modal Token Generation for Efficient Large Speech-Language Model（VITA-Audio：用于高效大型语音-语言模型的快速交错跨模态Token生成） [06:36] 🗺 Geospatial Mechanistic Interpretability of Large Language Models（大型语言模型的地理空间机制可解释性） [07:12] 🧑 InfoVids: Reimagining the Viewer Experience with Alternative Visualization-Presenter Relationships（InfoVids：通过另类可视化-演示者关系重塑观看者体验） [07:54] 🤖 Invoke Interfaces Only When Needed: Adaptive Invocation for Large Language Models in Question Answering（仅在需要时调用接口：用于问答中大语言模型的自适应调用） [08:32] 🥽 HoloTime: Taming Video Diffusion Models for Panoramic 4D Scene Generation（HoloTime：驾驭视频扩散模型生成全景4D场景） [09:18] 🤖 Auto-SLURP: A Benchmark Dataset for Evaluating Multi-Agent Frameworks in Smart Personal Assistant（Auto-SLURP：一个用于评估智能个人助理中多智能体框架的基准数据集） 【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] 🤖 Voila: Voice-Language Foundation Models for Real-Time Autonomous Interaction and Voice Role-Play（Voila：用于实时自主交互和语音角色扮演的语音-语言基础模型） [01:09] 🤔 RM-R1: Reward Modeling as Reasoning（RM-R1：将奖励建模视为推理） [01:52] 🧠 Grokking in the Wild: Data Augmentation for Real-World Multi-Hop Reasoning with Transformers（野外Grokking：用于Transformer真实世界多跳推理的数据增强） [02:32] 🧮 FormalMATH: Benchmarking Formal Mathematical Reasoning of Large Language Models（FormalMATH：大规模语言模型的形式化数学推理基准） [03:17] ✂ ReplaceMe: Network Simplification via Layer Pruning and Linear Transformations（ReplaceMe：基于层剪枝和线性变换的网络简化） [03:59] 🧠 Optimizing Chain-of-Thought Reasoners via Gradient Variance Minimization in Rejection Sampling and RL（通过拒绝采样和强化学习中的梯度方差最小化优化思维链推理器） [04:39] 🚀 Practical Efficiency of Muon for Pretraining（Muon在预训练中的实际效率） [05:18] ⚙ A Survey on Inference Engines for Large Language Models: Perspectives on Optimization and Efficiency（大语言模型推理引擎综述：优化与效率的视角） [06:01] 🤖 R1-Reward: Training Multimodal Reward Model Through Stable Reinforcement Learning（R1-奖励：通过稳定强化学习训练多模态奖励模型） [06:44] 🤔 Think on your Feet: Adaptive Thinking via Reinforcement Learning for Social Agents（随机应变：基于强化学习的社交智能体自适应思考） [07:24] 🤖 SkillMimic-V2: Learning Robust and Generalizable Interaction Skills from Sparse and Noisy Demonstrations（SkillMimic-V2：从稀疏和嘈杂的示范中学习鲁棒且可泛化的交互技能） [08:03] 🤖 Agentic Reasoning and Tool Integration for LLMs via Reinforcement Learning（基于强化学习的LLM自主推理与工具集成） [08:50] 🖼 SuperEdit: Rectifying and Facilitating Supervision for Instruction-Based Image Editing（SuperEdit：修正并促进基于指令的图像编辑的监督） [09:30] 🧮 Low-Precision Training of Large Language Models: Methods, Challenges, and Opportunities（大语言模型低精度训练：方法、挑战与机遇） [10:11] 🎨 Ming-Lite-Uni: Advancements in Unified Architecture for Natural Multimodal Interaction（Ming-Lite-Uni：自然多模态交互统一架构的进展） 【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
本期的 8 篇论文如下： [00:21] 🖼 PixelHacker: Image Inpainting with Structural and Semantic Consistency（PixelHacker：基于结构和语义一致性的图像修复） [01:01] 🎨 Improving Editability in Image Generation with Layer-wise Memory（通过分层记忆提升图像生成的可编辑性） [01:35] 🤖 Beyond One-Size-Fits-All: Inversion Learning for Highly Effective NLG Evaluation Prompts（超越一刀切：用于高效自然语言生成评估提示的反演学习） [02:18] 💡 Llama-Nemotron: Efficient Reasoning Models（Llama-Nemotron：高效推理模型） [03:02] 🧩 CORG: Generating Answers from Complex, Interrelated Contexts（CORG: 从复杂、相互关联的上下文中生成答案） [03:45] 🤖 Real-World Gaps in AI Governance Research（人工智能治理研究中的现实差距） [04:26] 🤖 TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching（TeLoGraF：基于图编码流匹配的时序逻辑规划） [05:02] 🔄 X-Cross: Dynamic Integration of Language Models for Cross-Domain Sequential Recommendation（X-Cross：用于跨领域序列推荐的语言模型动态集成） 【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： [00:43] TOP1(🔥149) | 🎥 Towards Understanding Camera Motions in Any Video（迈向理解任意视频中的相机运动） [03:05] TOP2(🔥74) | 🧠 Reinforcement Learning for Reasoning in Large Language Models with One Training Example（单样本强化学习赋能大语言模型推理） [05:48] TOP3(🔥54) | 🎭 The Leaderboard Illusion（排行榜的幻觉） [07:58] TOP4(🔥51) | 🔍 UniversalRAG: Retrieval-Augmented Generation over Multiple Corpora with Diverse Modalities and Granularities（通用RAG：基于多模态、多粒度异构语料库的检索增强生成） [10:29] TOP5(🔥50) | 🧠 Skywork R1V2: Multimodal Hybrid Reinforcement Learning for Reasoning（Skywork R1V2：用于推理的多模态混合强化学习） 【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
本期的 8 篇论文如下： [00:28] 🎮 A Survey of Interactive Generative Video（交互式生成视频综述） [01:05] 🧐 DeepCritic: Deliberate Critique with Large Language Models（DeepCritic: 基于大语言模型的审慎评判） [01:38] 🖼 T2I-R1: Reinforcing Image Generation with Collaborative Semantic-level and Token-level CoT（T2I-R1：通过协作式语义级和令牌级思维链强化图像生成） [02:15] 👄 KeySync: A Robust Approach for Leakage-free Lip Synchronization in High Resolution（KeySync：一种高分辨率下鲁棒的无泄漏唇形同步方法） [02:50] 🧠 AdaR1: From Long-CoT to Hybrid-CoT via Bi-Level Adaptive Reasoning Optimization（AdaR1：通过双层自适应推理优化，从长链思维到混合链思维） [03:31] 📚 TF1-EN-3M: Three Million Synthetic Moral Fables for Training Small, Open Language Models（TF1-EN-3M：用于训练小型开放语言模型的300万条合成道德寓言） [04:15] 🚀 LLMs for Engineering: Teaching Models to Design High Powered Rockets（工程领域的大语言模型：教模型设计高功率火箭） [05:09] 🩻 MediAug: Exploring Visual Augmentation in Medical Imaging（MediAug：探索医学影像中的视觉增强） 【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： [00:21] 🗣 Sadeed: Advancing Arabic Diacritization Through Small Language Model（Sadeed：通过小型语言模型推进阿拉伯语变音） [01:05] 🔎 WebThinker: Empowering Large Reasoning Models with Deep Research Capability（WebThinker：利用深度研究能力增强大型推理模型） [01:43] 🧮 Phi-4-Mini-Reasoning: Exploring the Limits of Small Reasoning Language Models in Math（Phi-4-Mini-Reasoning：探索小型推理语言模型在数学方面的极限） [02:20] 💡 Softpick: No Attention Sink, No Massive Activations with Rectified Softmax（Softpick：一种使用修正Softmax且无注意力陷阱、无大规模激活的方法） [03:00] 🤔 Beyond the Last Answer: Your Reasoning Trace Uncovers More than You Think（超越最终答案：你的推理轨迹揭示了超乎你想象的信息） [03:38] 🧠 Phi-4-reasoning Technical Report（Phi-4-reasoning 技术报告） [04:21] 🧩 COMPACT: COMPositional Atomic-to-Complex Visual Capability Tuning（COMPACT：组合式的原子到复杂视觉能力调优） [04:59] 💡 Taming the Titans: A Survey of Efficient LLM Inference Serving（驯服泰坦：高效LLM推理服务综述） [05:34] 🤖 Generative AI for Character Animation: A Comprehensive Survey of Techniques, Applications, and Future Directions（用于角色动画的生成式人工智能：技术、应用与未来方向的综合综述） [06:09] 🤖 RoboVerse: Towards a Unified Platform, Dataset and Benchmark for Scalable and Generalizable Robot Learning（RoboVerse：面向可扩展和泛化机器人学习的统一平台、数据集和基准） [06:49] 🎬 ReVision: High-Quality, Low-Cost Video Generation with Explicit 3D Physics Modeling for Complex Motion and Interaction（ReVision：基于显式3D物理建模的高质量、低成本复杂运动与交互视频生成） [07:32] 🛡 Llama-3.1-FoundationAI-SecurityLLM-Base-8B Technical Report（Llama-3.1-FoundationAI-SecurityLLM-Base-8B 技术报告） [08:08] 🩻 UniBiomed: A Universal Foundation Model for Grounded Biomedical Image Interpretation（UniBiomed：用于Grounded生物医学图像解读的通用基础模型） [08:53] 🗳 Selecting Optimal Candidate Profiles in Adversarial Environments Using Conjoint Analysis and Machine Learning（在对抗环境中利用联合分析和机器学习选择最优候选人形象） 【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： [00:24] 🔍 UniversalRAG: Retrieval-Augmented Generation over Multiple Corpora with Diverse Modalities and Granularities（通用RAG：基于多模态、多粒度异构语料库的检索增强生成） [01:06] 🧠 Reinforcement Learning for Reasoning in Large Language Models with One Training Example（单样本强化学习赋能大语言模型推理） [01:52] 🧠 ReasonIR: Training Retrievers for Reasoning Tasks（ReasonIR：训练用于推理任务的检索器） [02:31] 🤖 Toward Evaluative Thinking: Meta Policy Optimization with Evolving Reward Models（迈向评估性思考：基于演化奖励模型的元策略优化） [03:20] 🤖 TesserAct: Learning 4D Embodied World Models（TesserAct：学习4D具身世界模型） [04:01] 🎭 The Leaderboard Illusion（排行榜的幻觉） [04:37] 🖼 YoChameleon: Personalized Vision and Language Generation（Yo'Chameleon：个性化的视觉与语言生成） [05:17] 🛡 Certified Mitigation of Worst-Case LLM Copyright Infringement（大语言模型最坏情况版权侵权的认证缓解） [05:50] 🎭 ISDrama: Immersive Spatial Drama Generation through Multimodal Prompting（ISDrama：基于多模态提示的沉浸式空间戏剧生成） [06:29] 🧩 X-Fusion: Introducing New Modality to Frozen Large Language Models（X-Fusion：为冻结的大型语言模型引入新模态） [07:14] 🎭 Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation（解耦身份，协同情感：相关感知的情感语音头像生成） [07:53] 🌳 TreeHop: Generate and Filter Next Query Embeddings Efficiently for Multi-hop Question Answering（TreeHop：为多跳问答高效生成和过滤下一跳查询嵌入） 【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： [00:23] ✍ RepText: Rendering Visual Text via Replicating（RepText：通过复制渲染视觉文本） [01:02] 📱 LLM-Powered GUI Agents in Phone Automation: Surveying Progress and Prospects（LLM驱动的手机GUI代理：进展与展望） [01:44] 🔐 CipherBank: Exploring the Boundary of LLM Reasoning Capabilities through Cryptography Challenges（CipherBank：通过密码学挑战探索大型语言模型推理能力的边界） [02:30] 🤔 Clinical knowledge in LLMs does not translate to human interactions（大型语言模型中的临床知识未能转化为人际互动） [03:16] ⬇ Group Downsampling with Equivariant Anti-aliasing（群等变抗锯齿降采样） [03:59] 📐 TrustGeoGen: Scalable and Formal-Verified Data Engine for Trustworthy Multi-modal Geometric Problem Solving（TrustGeoGen：用于可信多模态几何问题求解的可扩展且形式验证的数据引擎） [04:39] 🤖 SPC: Evolving Self-Play Critic via Adversarial Games for LLM Reasoning（SPC：通过对抗博弈演进自博弈评论器以提升大型语言模型推理能力） [05:30] 🖼 Benchmarking Multimodal Mathematical Reasoning with Explicit Visual Dependency（基于显式视觉依赖的多模态数学推理能力基准测试） [06:15] 🚀 MMInference: Accelerating Pre-filling for Long-Context VLMs via Modality-Aware Permutation Sparse Attention（MMInference：通过模态感知置换稀疏注意力加速长文本VLM的预填充） [06:49] 🔑 ICL CIPHERS: Quantifying "Learning'' in In-Context Learning via Substitution Ciphers（ICL密码：通过替换密码量化上下文学习中的“学习”） [07:30] 💡 ChiseLLM: Unleashing the Power of Reasoning LLMs for Chisel Agile Hardware Development（ChiseLLM：释放推理LLM在Chisel敏捷硬件开发中的力量） 【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： [00:22] 🎥 Towards Understanding Camera Motions in Any Video（迈向理解任意视频中的相机运动） [01:04] 🧠 Skywork R1V2: Multimodal Hybrid Reinforcement Learning for Reasoning（Skywork R1V2：用于推理的多模态混合强化学习） [01:49] 💡 BitNet v2: Native 4-bit Activations with Hadamard Transformation for 1-bit LLMs（BitNet v2：用于1-bit LLM的具有哈达玛变换的原生4-bit激活） [02:28] 🌍 VideoVista-CulturalLingo: 360$^\circ$ Horizons-Bridging Cultures, Languages, and Domains in Video Comprehension（VideoVista-CulturalLingo：360°视野——弥合视频理解中的文化、语言和领域差异） [03:13] 🗣 Can Large Language Models Help Multimodal Language Analysis? MMLA: A Comprehensive Benchmark（大型语言模型能否助力多模态语言分析？MMLA：一个综合性的基准） [03:48] 🤔 The Sparse Frontier: Sparse Attention Trade-offs in Transformer LLMs（稀疏前沿：Transformer LLM 中的稀疏注意力权衡） [04:23] 🎬 Subject-driven Video Generation via Disentangled Identity and Motion（基于解耦身份与运动的主体驱动视频生成） [05:00] 🧠 DianJin-R1: Evaluating and Enhancing Financial Reasoning in Large Language Models（DianJin-R1：评估并提升大型语言模型中的金融推理能力） [05:34] 🔲 DC-SAM: In-Context Segment Anything in Images and Videos via Dual Consistency（DC-SAM：通过双重一致性实现图像和视频中的上下文分割） [06:12] 🔊 Kimi-Audio Technical Report（Kimi-Audio技术报告） [06:43] 🇮 Optimizing LLMs for Italian: Reducing Token Fertility and Enhancing Efficiency Through Vocabulary Adaptation（优化意大利语大型语言模型：通过词汇调整减少Token冗余并提高效率） 【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
