本期的 15 篇论文如下： [00:25] 🤖 Web-Shepherd: Advancing PRMs for Reinforcing Web Agents（Web-Shepherd：用于增强Web代理的PRM的进步） [01:13] 🧮 Scaling Law for Quantization-Aware Training（量化感知训练的缩放法则） [01:53] 🤖 UniVG-R1: Reasoning Guided Universal Visual Grounding with Reinforcement Learning（基于强化学习和推理引导的通用视觉定位） [02:28] 🎨 MMaDA: Multimodal Large Diffusion Language Models（MMaDA：多模态大型扩散语言模型） [03:04] 🔄 Diffusion vs. Autoregressive Language Models: A Text Embedding Perspective（扩散模型 vs. 自回归语言模型：文本嵌入的视角） [03:44] 💻 Efficient Agent Training for Computer Use（用于计算机使用的高效Agent训练） [04:26] 🧠 Learn to Reason Efficiently with Adaptive Length-based Reward Shaping（基于自适应长度奖励塑造的高效推理学习） [05:08] 💡 When to Continue Thinking: Adaptive Thinking Mode Switching for Efficient Reasoning（何时继续思考：用于高效推理的自适应思考模式切换） [05:39] 🤖 Vid2World: Crafting Video Diffusion Models to Interactive World Models（Vid2World：构建交互式世界模型的视频扩散模型） [06:16] 🖼 IA-T2I: Internet-Augmented Text-to-Image Generation（互联网增强的文本到图像生成） [06:49] 🧠 Deliberation on Priors: Trustworthy Reasoning of Large Language Models on Knowledge Graphs（基于先验知识的审慎：大型语言模型在知识图谱上的可信推理） [07:31] 🎮 lmgame-Bench: How Good are LLMs at Playing Games?（lmgame-Bench：大型语言模型在玩游戏方面表现如何？） [08:18] 🏙 Constructing a 3D Town from a Single Image（从单张图像构建三维城镇） [08:58] 🚀 dKV-Cache: The Cache for Diffusion Language Models（dKV-Cache：扩散语言模型的缓存） [09:40] 🛡 How Should We Enhance the Safety of Large Reasoning Models: An Empirical Study（我们应该如何提升大型推理模型的安全性：一项实证研究） 【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 15 篇论文如下： [00:22] 💡 Emerging Properties in Unified Multimodal Pretraining（统一多模态预训练中的涌现属性） [01:03] 🚀 SageAttention3: Microscaling FP4 Attention for Inference and An Exploration of 8-Bit Training（SageAttention3：用于推理的微缩FP4注意力机制与8位训练的探索） [01:42] 🖼 VisualQuality-R1: Reasoning-Induced Image Quality Assessment via Reinforcement Learning to Rank（VisualQuality-R1：基于强化学习排序的推理引导图像质量评估） [02:23] 🤖 Visual Agentic Reinforcement Fine-Tuning（视觉Agent强化微调） [03:01] 🧪 The Aloe Family Recipe for Open and Specialized Healthcare LLMs（开源与专用医疗保健大型语言模型的芦荟家族秘方） [03:40] 🧮 Optimizing Anytime Reasoning via Budget Relative Policy Optimization（通过预算相对策略优化实现随时推理优化） [04:25] 🧠 Neurosymbolic Diffusion Models（神经符号扩散模型） [05:02] 🌊 Latent Flow Transformer（潜在流Transformer） [05:40] 🧑 Exploring Federated Pruning for Large Language Models（探索用于大型语言模型的联邦剪枝） [06:23] 👁 Visionary-R1: Mitigating Shortcuts in Visual Reasoning with Reinforcement Learning（Visionary-R1：利用强化学习缓解视觉推理中的捷径问题） [07:05] 🧠 General-Reasoner: Advancing LLM Reasoning Across All Domains（通用推理器：提升大型语言模型在所有领域的推理能力） [07:45] 🤔 Reasoning Models Better Express Their Confidence（推理模型更善于表达其置信度） [08:20] 🚀 Reasoning Path Compression: Compressing Generation Trajectories for Efficient LLM Reasoning（推理路径压缩：压缩生成轨迹以实现高效的LLM推理） [09:07] 🖼 Training-Free Watermarking for Autoregressive Image Generation（自回归图像生成模型的免训练水印方法） [09:48] 🤔 VideoEval-Pro: Robust and Realistic Long Video Understanding Evaluation（VideoEval-Pro：稳健且真实的长视频理解评估） 【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] 🔗 Chain-of-Model Learning for Language Model（模型链学习：一种用于语言模型的新型学习范式） [00:58] 🤔 AdaptThink: Reasoning Models Can Learn When to Think（AdaptThink：推理模型何时思考的学习） [01:45] 🧠 AdaCoT: Pareto-Optimal Adaptive Chain-of-Thought Triggering via Reinforcement Learning（AdaCoT: 通过强化学习实现帕累托最优的自适应思维链触发） [02:21] 🚀 Delta Attention: Fast and Accurate Sparse Attention Inference by Delta Correction（Delta注意力机制：通过Delta校正实现快速而精确的稀疏注意力推断） [03:04] 🖥 Scaling Computer-Use Grounding via User Interface Decomposition and Synthesis（通过用户界面分解与合成扩展计算机使用中的Grounding） [03:43] 🤔 Thinkless: LLM Learns When to Think（智思：大语言模型学习何时思考） [04:23] 💡 Seek in the Dark: Reasoning via Test-Time Instance-Level Policy Gradient in Latent Space（暗中求索：在隐空间中通过测试时实例级策略梯度进行推理） [05:00] 🧮 MM-PRM: Enhancing Multimodal Mathematical Reasoning with Scalable Step-Level Supervision（MM-PRM：利用可扩展的步骤级监督增强多模态数学推理） [05:39] ✨ Hybrid 3D-4D Gaussian Splatting for Fast Dynamic Scene Representation（混合3D-4D高斯溅射：用于快速动态场景表示） [06:15] 🛡 FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA（FedSVD：基于LoRA的自适应正交化差分隐私联邦学习） [07:00] 🧩 Model Merging in Pre-training of Large Language Models（大型语言模型预训练中的模型合并） [07:53] 🤖 CPGD: Toward Stable Rule-based Reinforcement Learning for Language Models（CPGD：面向语言模型稳定规则强化学习） [08:36] 🎬 Faster Video Diffusion with Trainable Sparse Attention（基于可训练稀疏注意力的快速视频扩散） [09:23] 🧠 Fractured Chain-of-Thought Reasoning（碎裂的思维链推理） [10:03] 🧠 Neuro-Symbolic Query Compiler（神经符号查询编译器） 【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] 🤖 Qwen3 Technical Report（Qwen3技术报告） [01:14] 🛡 GuardReasoner-VL: Safeguarding VLMs via Reinforced Reasoning（GuardReasoner-VL：通过强化推理保护视觉语言模型） [02:01] 🖼 MMLongBench: Benchmarking Long-Context Vision-Language Models Effectively and Thoroughly（MMLongBench：有效且全面地评测长文本视觉语言模型） [02:40] 🖼 Visual Planning: Let's Think Only with Images（视觉规划：让我们只用图像思考） [03:25] 💡 Simple Semi-supervised Knowledge Distillation from Vision-Language Models via $\mathbf{\texttt{D}}$ual-$\mathbf{\texttt{H}}$ead $\mathbf{\texttt{O}}$ptimization（基于视觉-语言模型通过双头优化实现的简单半监督知识蒸馏） [04:09] 🧠 Group Think: Multiple Concurrent Reasoning Agents Collaborating at Token Level Granularity（群策群思：多个并发推理智能体在Token级别粒度上进行协作） [04:53] 🧬 Mergenetic: a Simple Evolutionary Model Merging Library（Mergenetic：一个用于合并库的简单进化模型） [05:35] 💡 MPS-Prover: Advancing Stepwise Theorem Proving by Multi-Perspective Search and Data Curation（MPS-Prover：通过多视角搜索和数据精选推进逐步定理证明） [06:14] 🧮 Multi-Token Prediction Needs Registers（多Token预测需要寄存器） [06:48] 🤔 Scaling Reasoning can Improve Factuality in Large Language Models（扩展推理能力提升大型语言模型的事实准确性） [07:25] 🧪 MatTools: Benchmarking Large Language Models for Materials Science Tools（MatTools：用于材料科学工具的大语言模型基准测试） [08:04] 🤔 Humans expect rationality and cooperation from LLM opponents in strategic games（人类期望在策略游戏中，大型语言模型对手是理性和合作的） [08:45] 🤝 Learning Dense Hand Contact Estimation from Imbalanced Data（基于不平衡数据的稠密手部接触估计学习） [09:26] 🩻 CheXGenBench: A Unified Benchmark For Fidelity, Privacy and Utility of Synthetic Chest Radiographs（CheXGenBench：合成胸部X光片的保真度、隐私性和效用性的统一基准） [10:11] 🤝 From Trade-off to Synergy: A Versatile Symbiotic Watermarking Framework for Large Language Models（从权衡到协同：一种用于大型语言模型的多功能共生水印框架） 【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： [00:38] TOP1(🔥126) | 💡 Seed1.5-VL Technical Report（Seed1.5-VL 技术报告） [03:11] TOP2(🔥109) | 🗣 MiniMax-Speech: Intrinsic Zero-Shot Text-to-Speech with a Learnable Speaker Encoder（MiniMax-Speech：具有可学习说话人编码器的内在零样本语音合成） [05:23] TOP3(🔥86) | 💡 Beyond 'Aha!': Toward Systematic Meta-Abilities Alignment in Large Reasoning Models（超越“Aha!”时刻：迈向大型推理模型中系统性元能力对齐） [07:25] TOP4(🔥73) | 🧠 MiMo: Unlocking the Reasoning Potential of Language Model -- From Pretraining to Posttraining（MiMo：释放语言模型的推理潜力——从预训练到后训练） [10:04] TOP5(🔥67) | 🖼 BLIP3-o: A Family of Fully Open Unified Multimodal Models-Architecture, Training and Dataset（BLIP3-o：一族完全开放的统一多模态模型——架构、训练和数据集） 【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： [00:24] 💡 Beyond 'Aha!': Toward Systematic Meta-Abilities Alignment in Large Reasoning Models（超越“Aha!”时刻：迈向大型推理模型中系统性元能力对齐） [01:02] 🤖 System Prompt Optimization with Meta-Learning（基于元学习的系统提示优化） [01:47] 🤖 EnerVerse-AC: Envisioning Embodied Environments with Action Condition（EnerVerse-AC：通过动作条件设想具身环境） [02:29] 🧠 The CoT Encyclopedia: Analyzing, Predicting, and Controlling how a Reasoning Model will Think（CoT百科全书：分析、预测和控制推理模型如何思考） [03:17] 🤖 EWMBench: Evaluating Scene, Motion, and Semantic Quality in Embodied World Models（EWMBench：具身世界模型中场景、运动和语义质量的评估） [03:57] 🖼 End-to-End Vision Tokenizer Tuning（端到端视觉标记器调优） [04:34] 📈 WorldPM: Scaling Human Preference Modeling（世界偏好建模：扩展人类偏好模型） [05:13] 🤖 MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering（MLE-Dojo：用于增强机器学习工程中LLM代理的交互式环境） [06:01] 🧩 Achieving Tokenizer Flexibility in Language Models through Heuristic Adaptation and Supertoken Learning（通过启发式适配和超Token学习实现语言模型中的Tokenizer灵活性） [06:43] 🎨 Style Customization of Text-to-Vector Generation with Image Diffusion Priors（基于图像扩散先验的文本到矢量生成风格定制） [07:25] 🧠 J1: Incentivizing Thinking in LLM-as-a-Judge via Reinforcement Learning（J1：通过强化学习激励LLM作为裁判时的思考） [08:07] 👉 PointArena: Probing Multimodal Grounding Through Language-Guided Pointing（PointArena：通过语言引导的指向探测多模态理解） [08:47] 🖼 Depth Anything with Any Prior（任意先验的深度感知） [09:29] 🖼 OpenThinkIMG: Learning to Think with Images via Visual Tool Reinforcement Learning（OpenThinkIMG: 通过视觉工具强化学习，学习用图像思考） [10:14] 🚀 Parallel Scaling Law for Language Models（语言模型的并行扩展法则） 【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] 🖼 DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception（DeCLIP：用于开放词汇密集感知的解耦学习） [01:02] 🖼 BLIP3-o: A Family of Fully Open Unified Multimodal Models-Architecture, Training and Dataset（BLIP3-o：一族完全开放的统一多模态模型——架构、训练和数据集） [01:41] 💡 Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures（DeepSeek-V3 的深度剖析：AI 架构的扩展挑战与硬件思考） [02:24] 🎨 Marigold: Affordable Adaptation of Diffusion-Based Image Generators for Image Analysis（Marigold：用于图像分析的基于扩散的图像生成器的经济型适配） [03:00] 🤖 UniSkill: Imitating Human Videos via Cross-Embodiment Skill Representations（UniSkill：通过跨具身技能表征模仿人类视频） [03:42] 🐛 SweRank: Software Issue Localization with Code Ranking（SweRank：基于代码排序的软件问题定位） [04:23] 🤔 VCRBench: Exploring Long-form Causal Reasoning Capabilities of Large Video Language Models（VCRBench：探索大型视频语言模型在长程因果推理方面的能力） [05:14] 🖼 CAST: Component-Aligned 3D Scene Reconstruction from an RGB Image（CAST：基于RGB图像的组件对齐三维场景重建） [05:49] 🤔 Omni-R1: Do You Really Need Audio to Fine-Tune Your Audio LLM?（Omni-R1: 微调音频大语言模型真的需要音频数据吗？） [06:27] 🤔 Visually Interpretable Subtask Reasoning for Visual Question Answering（视觉问答中基于视觉可解释性的子任务推理） [06:59] 🚁 DetReIDX: A Stress-Test Dataset for Real-World UAV-Based Person Recognition（DetReIDX：一个用于现实世界无人机人员识别的压力测试数据集） 【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 8 篇论文如下： [00:25] 🗣 MiniMax-Speech: Intrinsic Zero-Shot Text-to-Speech with a Learnable Speaker Encoder（MiniMax-Speech：具有可学习说话人编码器的内在零样本语音合成） [01:00] 🤖 A Multi-Dimensional Constraint Framework for Evaluating and Improving Instruction Following in Large Language Models（用于评估和改进大型语言模型指令遵循能力的多维度约束框架） [01:47] 🎮 Measuring General Intelligence with Generated Games（基于生成游戏测量通用智能） [02:29] 🎦 SkillFormer: Unified Multi-View Video Understanding for Proficiency Estimation（SkillFormer：用于评估技能水平的统一多视角视频理解） [03:14] 🤖 NavDP: Learning Sim-to-Real Navigation Diffusion Policy with Privileged Information Guidance（NavDP：基于特权信息引导的Sim-to-Real导航扩散策略学习） [03:51] 🔍 Optimizing Retrieval-Augmented Generation: Analysis of Hyperparameter Impact on Performance and Efficiency（优化检索增强生成：超参数对性能和效率影响的分析） [04:28] 🇻 ViMRHP: A Vietnamese Benchmark Dataset for Multimodal Review Helpfulness Prediction via Human-AI Collaborative Annotation（ViMRHP：一个人机协作标注的越南语多模态评论有用性预测基准数据集） [05:04] 📖 Advancing Arabic Reverse Dictionary Systems: A Transformer-Based Approach with Dataset Construction Guidelines（推进阿拉伯语逆向词典系统：一种基于Transformer的方法与数据集构建指南） 【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
