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
本期的 5 篇论文如下： [00:33] TOP1(🔥108) | 💡 Kuwain 1.5B: An Arabic SLM via Language Injection（Kuwain 1.5B：一种基于语言注入的阿拉伯语SLM） [02:43] TOP2(🔥98) | 🤔 Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?（强化学习真的能激励大语言模型产生超越基础模型的推理能力吗？） [04:58] TOP3(🔥78) | 🤖 TTRL: Test-Time Reinforcement Learning（测试时强化学习） [07:12] TOP4(🔥71) | 💡 Learning to Reason under Off-Policy Guidance（基于离策略指导的学习推理） [09:12] TOP5(🔥62) | 🦅 Eagle 2.5: Boosting Long-Context Post-Training for Frontier Vision-Language Models（Eagle 2.5：提升前沿视觉-语言模型长文本后训练性能） 【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] 🖼 Step1X-Edit: A Practical Framework for General Image Editing（Step1X-Edit：一个通用的图像编辑实用框架） [01:05] 🖼 RefVNLI: Towards Scalable Evaluation of Subject-driven Text-to-image Generation（RefVNLI：面向主体驱动的文本到图像生成的可扩展评估） [01:48] 🤖 Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning（Paper2Code：从机器学习科学论文中自动生成代码） [02:22] 🖼 Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs（打破模态壁垒：基于多模态大型语言模型的通用嵌入学习） [03:02] 🧠 Perspective-Aware Reasoning in Vision-Language Models via Mental Imagery Simulation（基于心智图像模拟的视觉-语言模型中的视角感知推理） [03:42] ⚖ QuaDMix: Quality-Diversity Balanced Data Selection for Efficient LLM Pretraining（QuaDMix：面向高效LLM预训练的质量-多样性平衡数据选择） [04:19] 🖼 Token-Shuffle: Towards High-Resolution Image Generation with Autoregressive Models（Token-Shuffle：面向自回归模型的高分辨率图像生成） [04:58] 🖼 Distilling semantically aware orders for autoregressive image generation（用于自回归图像生成的语义感知顺序蒸馏） [05:38] 🗜 DyMU: Dynamic Merging and Virtual Unmerging for Efficient VLMs（DyMU：用于高效视觉语言模型的动态合并与虚拟解合并） [06:17] 🇪 IberBench: LLM Evaluation on Iberian Languages（IberBench：伊比利亚语系的大语言模型评测基准） [07:01] 🧠 Process Reward Models That Think（思考过程奖励模型） [07:46] 🎨 Boosting Generative Image Modeling via Joint Image-Feature Synthesis（通过联合图像-特征合成增强生成图像建模） [08:21] 🎬 ViSMaP: Unsupervised Hour-long Video Summarisation by Meta-Prompting（ViSMaP：基于元提示的无监督小时级视频摘要） [09:02] 👗 3DV-TON: Textured 3D-Guided Consistent Video Try-on via Diffusion Models（3DV-TON：基于扩散模型的纹理3D引导一致性视频试穿） [09:44] 📹 TimeChat-Online: 80% Visual Tokens are Naturally Redundant in Streaming Videos（TimeChat-Online：在线流媒体视频中 80% 的视觉 tokens 天然冗余） 【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： [00:23] 👁 VisuLogic: A Benchmark for Evaluating Visual Reasoning in Multi-modal Large Language Models（VisuLogic：一个用于评估多模态大型语言模型中视觉推理能力的基准） [01:08] 🎭 DreamID: High-Fidelity and Fast diffusion-based Face Swapping via Triplet ID Group Learning（DreamID：基于Triplet ID Group Learning的高保真快速扩散人脸替换） [01:46] 🌐 Trillion 7B Technical Report（Trillion-7B 技术报告） [02:30] 💡 Pre-DPO: Improving Data Utilization in Direct Preference Optimization Using a Guiding Reference Model（Pre-DPO：利用引导参考模型提升直接偏好优化中的数据利用率） [03:11] 🧩 I-Con: A Unifying Framework for Representation Learning（I-Con：一种统一的表征学习框架） [03:50] 🧩 Decoupled Global-Local Alignment for Improving Compositional Understanding（解耦的全局-局部对齐以提升组合理解能力） [04:30] 🎨 DreamO: A Unified Framework for Image Customization（DreamO：图像定制的统一框架） [05:12] 💡 Tina: Tiny Reasoning Models via LoRA（蒂娜：基于LoRA的小型推理模型） [05:49] 🛡 A Comprehensive Survey in LLM(-Agent) Full Stack Safety: Data, Training and Deployment（LLM(-Agent) 全栈安全综合研究：数据、训练与部署） [06:30] 🧐 RePOPE: Impact of Annotation Errors on the POPE Benchmark（RePOPE：标注错误对POPE基准的影响） [07:06] 💡 Rethinking the Generation of High-Quality CoT Data from the Perspective of LLM-Adaptive Question Difficulty Grading（重新思考：基于LLM自适应问题难度分级的优质CoT数据生成） [07:46] 🛠 CRUST-Bench: A Comprehensive Benchmark for C-to-safe-Rust Transpilation（CRUST-Bench：C到安全Rust转译的综合基准） [08:29] ✅ Unchecked and Overlooked: Addressing the Checkbox Blind Spot in Large Language Models with CheckboxQA（未被检查与忽视：用 CheckboxQA 数据集解决大语言模型中的复选框盲点） [09:21] 🖼 Progressive Language-guided Visual Learning for Multi-Task Visual Grounding（多任务视觉定位的渐进式语言引导视觉学习） 【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 15 篇论文如下： [00:22] 💡 Kuwain 1.5B: An Arabic SLM via Language Injection（Kuwain 1.5B：一种基于语言注入的阿拉伯语SLM） [00:58] 🤖 TTRL: Test-Time Reinforcement Learning（测试时强化学习） [01:40] 🌍 The Bitter Lesson Learned from 2,000+ Multilingual Benchmarks（从2000+多语种评测基准中汲取的惨痛教训） [02:23] 🖼 Describe Anything: Detailed Localized Image and Video Captioning（描述一切：细粒度局部图像与视频字幕生成） [03:00] 💡 Learning Adaptive Parallel Reasoning with Language Models（基于语言模型的自适应并行推理学习） [03:34] 🖼 IV-Bench: A Benchmark for Image-Grounded Video Perception and Reasoning in Multimodal LLMs（IV-Bench：多模态大语言模型中基于图像的视频感知与推理基准） [04:19] 📖 BookWorld: From Novels to Interactive Agent Societies for Creative Story Generation（BookWorld：从小说到交互式智能体社会，用于创意故事生成） [05:10] 🚀 Efficient Pretraining Length Scaling（高效预训练长度扩展） [05:49] 🩻 CheXWorld: Exploring Image World Modeling for Radiograph Representation Learning（CheXWorld：探索用于X射线影像表征学习的图像世界建模） [06:26] 🖼 Personalized Text-to-Image Generation with Auto-Regressive Models（基于自回归模型的个性化文本到图像生成） [07:08] 🗣 LiveCC: Learning Video LLM with Streaming Speech Transcription at Scale（LiveCC：基于大规模流式语音转录学习视频大语言模型） [07:47] 🎬 Vidi: Large Multimodal Models for Video Understanding and Editing（Vidi：用于视频理解与编辑的大型多模态模型） [08:27] 🖼 From Reflection to Perfection: Scaling Inference-Time Optimization for Text-to-Image Diffusion Models via Reflection Tuning（从反思到完美：通过反思调优扩展文本到图像扩散模型的推理时优化） [09:03] 🤖 LLMs are Greedy Agents: Effects of RL Fine-tuning on Decision-Making Abilities（LLM是贪婪的智能体：强化学习微调对决策能力的影响） [09:44] 🤖 WALL-E 2.0: World Alignment by NeuroSymbolic Learning improves World Model-based LLM Agents（WALL-E 2.0：通过神经符号学习实现世界对齐，提升基于世界模型的LLM智能体性能） 【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
