本期的 15 篇论文如下： [00:23] 🌏 Crowdsource, Crawl, or Generate? Creating SEA-VL, a Multicultural Vision-Language Dataset for Southeast Asia（众包、爬取还是生成？创建东南亚视觉语言数据集SEA-VL） [01:04] 🧠 LMM-R1: Empowering 3B LMMs with Strong Reasoning Abilities Through Two-Stage Rule-Based RL（LMM-R1：通过两阶段基于规则的强化学习赋予3B参数大模态模型强大的推理能力） [01:43] 🎵 YuE: Scaling Open Foundation Models for Long-Form Music Generation（YuE：扩展开放基础模型用于长篇音乐生成） [02:17] 👤 Uni$\textbf{F}^2$ace: Fine-grained Face Understanding and Generation with Unified Multimodal Models（UniF²ace：基于统一多模态模型的细粒度人脸理解和生成） [02:59] 🎥 MagicInfinite: Generating Infinite Talking Videos with Your Words and Voice（MagicInfinite：用你的文字和声音生成无限对话视频） [03:42] 🧠 SegAgent: Exploring Pixel Understanding Capabilities in MLLMs by Imitating Human Annotator Trajectories（SegAgent：通过模仿人类标注者轨迹探索多模态大模型的像素理解能力） [04:19] 🌐 Seedream 2.0: A Native Chinese-English Bilingual Image Generation Foundation Model（Seedream 2.0：一种中英双语图像生成基础模型） [05:03] 🌐 Gemini Embedding: Generalizable Embeddings from Gemini（双子座嵌入：从双子座模型中获得可泛化的嵌入） [05:45] 🧠 Implicit Reasoning in Transformers is Reasoning through Shortcuts（Transformer中的隐式推理是通过捷径实现的） [06:21] 🌟 LightGen: Efficient Image Generation through Knowledge Distillation and Direct Preference Optimization（LightGen：通过知识蒸馏和直接偏好优化实现高效图像生成） [07:06] 🎥 Tuning-Free Multi-Event Long Video Generation via Synchronized Coupled Sampling（无需调参的多事件长视频生成通过同步耦合采样） [07:44] 🧠 Optimizing Test-Time Compute via Meta Reinforcement Fine-Tuning（通过元强化微调优化测试时计算） [08:30] 🌐 OmniMamba: Efficient and Unified Multimodal Understanding and Generation via State Space Models（OmniMamba：基于线性架构的高效统一多模态理解和生成模型） [09:14] 🧠 CineBrain: A Large-Scale Multi-Modal Brain Dataset During Naturalistic Audiovisual Narrative Processing（CineBrain：自然视听叙事处理中的大规模多模态脑数据集） [09:52] 🎥 Video Action Differencing（视频动作差异分析） 【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 11 篇论文如下： [00:25] 🤖 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） [01:00] 🧠 SEAP: Training-free Sparse Expert Activation Pruning Unlock the Brainpower of Large Language Models（SEAP：无训练的稀疏专家激活剪枝解锁大规模语言模型的脑力） [01:43] 🧠 MM-Eureka: Exploring Visual Aha Moment with Rule-based Large-scale Reinforcement Learning（MM-Eureka：基于规则的大规模强化学习在视觉顿悟中的探索） [02:27] 📝 Taking Notes Brings Focus? Towards Multi-Turn Multimodal Dialogue Learning（记笔记能带来专注吗？面向多轮多模态对话学习） [03:09] 🎬 Automated Movie Generation via Multi-Agent CoT Planning（基于多智能体链式思维规划的自动化电影生成） [03:44] 🔒 FedRand: Enhancing Privacy in Federated Learning with Randomized LoRA Subparameter Updates（FedRand：通过随机化LoRA子参数更新增强联邦学习中的隐私保护） [04:18] 🔥 DistiLLM-2: A Contrastive Approach Boosts the Distillation of LLMs（DistiLLM-2：一种对比方法提升大语言模型蒸馏效果） [04:53] 🚀 EasyControl: Adding Efficient and Flexible Control for Diffusion Transformer（EasyControl：为扩散Transformer添加高效灵活的控制） [05:38] 🛠 FEA-Bench: A Benchmark for Evaluating Repository-Level Code Generation for Feature Implementation（FEA-Bench：评估功能实现仓库级代码生成基准） [06:15] 🚗 AlphaDrive: Unleashing the Power of VLMs in Autonomous Driving via Reinforcement Learning and Reasoning（AlphaDrive：通过强化学习和推理释放VLMs在自动驾驶中的潜力） [07:01] 📚 SurveyForge: On the Outline Heuristics, Memory-Driven Generation, and Multi-dimensional Evaluation for Automated Survey Writing（SurveyForge：关于大纲启发式、记忆驱动生成和多维度评估的自动化综述写作） 【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 20 篇论文如下： [00:19] 🌐 Unified Reward Model for Multimodal Understanding and Generation（多模态理解和生成的统一奖励模型） [01:04] 🇷 RuCCoD: Towards Automated ICD Coding in Russian（RuCCoD：面向俄语自动化的ICD编码研究） [01:41] 🌍 EuroBERT: Scaling Multilingual Encoders for European Languages（EuroBERT：扩展欧洲语言的多语言编码器） [02:28] 🗣 S2S-Arena, Evaluating Speech2Speech Protocols on Instruction Following with Paralinguistic Information（S2S-Arena：评估语音到语音协议在指令跟随中的副语言信息） [03:08] 🧠 Sketch-of-Thought: Efficient LLM Reasoning with Adaptive Cognitive-Inspired Sketching（思维草图：结合认知启发草图的高效LLM推理） [03:47] 🧠 Forgetting Transformer: Softmax Attention with a Forget Gate（遗忘Transformer：带遗忘门的Softmax注意力机制） [04:28] 🧠 R1-Searcher: Incentivizing the Search Capability in LLMs via Reinforcement Learning（R1-Searcher：通过强化学习激励LLMs的搜索能力） [05:19] 🎥 VideoPainter: Any-length Video Inpainting and Editing with Plug-and-Play Context Control（VideoPainter：任意长度视频修复与编辑的即插即用上下文控制） [06:04] 🎭 R1-Omni: Explainable Omni-Multimodal Emotion Recognition with Reinforcing Learning（R1-Omni：基于强化学习的可解释全模态情感识别） [06:50] 🎥 TrajectoryCrafter: Redirecting Camera Trajectory for Monocular Videos via Diffusion Models（TrajectoryCrafter：通过扩散模型重定向单目视频的相机轨迹） [07:26] 🌊 ProReflow: Progressive Reflow with Decomposed Velocity（ProReflow：渐进式重流与分解速度） [08:11] 🤖 BEHAVIOR Robot Suite: Streamlining Real-World Whole-Body Manipulation for Everyday Household Activities（BEHAVIOR机器人套件：简化日常家庭活动的全身操作） [08:50] 🧠 An Empirical Study on Eliciting and Improving R1-like Reasoning Models（关于启发和提升类似R1推理模型的实证研究） [09:27] 🧠 Linear-MoE: Linear Sequence Modeling Meets Mixture-of-Experts（线性-专家混合模型：线性序列建模与专家混合模型的结合） [10:13] 🧠 TinyR1-32B-Preview: Boosting Accuracy with Branch-Merge Distillation（TinyR1-32B-Preview：通过分支-合并蒸馏提升准确性） [10:56] 🧑 LONGCODEU: Benchmarking Long-Context Language Models on Long Code Understanding（LONGCODEU：评估长上下文语言模型在长代码理解中的表现） [11:41] 🔄 Learning from Failures in Multi-Attempt Reinforcement Learning（从失败中学习：多尝试强化学习） [12:20] 🔍 SAGE: A Framework of Precise Retrieval for RAG（SAGE：RAG精准检索框架） [13:01] 🧠 R1-Zero's "Aha Moment" in Visual Reasoning on a 2B Non-SFT Model（R1-Zero在2B非SFT模型上的视觉推理中的“顿悟时刻”） [13:39] 🤖 Know You First and Be You Better: Modeling Human-Like User Simulators via Implicit Profiles（初次了解你并更好地成为你：通过隐式用户画像建模人类对话模拟器） 【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 5 篇论文如下： [00:35] TOP1(🔥64) | 🧠 Phi-4-Mini Technical Report: Compact yet Powerful Multimodal Language Models via Mixture-of-LoRAs（Phi-4-Mini技术报告：通过LoRA混合的多模态语言模型实现紧凑且强大的性能） [02:30] TOP2(🔥58) | 🛠 START: Self-taught Reasoner with Tools（自教工具集成推理器） [04:36] TOP3(🔥57) | 🧠 Visual-RFT: Visual Reinforcement Fine-Tuning（视觉强化微调：视觉强化微调） [06:40] TOP4(🔥52) | 🌍 Babel: Open Multilingual Large Language Models Serving Over 90% of Global Speakers（巴别塔：服务于全球90%以上人口的开源多语言大型语言模型） [09:03] TOP5(🔥51) | 📊 Predictive Data Selection: The Data That Predicts Is the Data That Teaches（预测性数据选择：预测数据即为教学数据） 【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 18 篇论文如下： [00:21] 🛠 START: Self-taught Reasoner with Tools（自教工具集成推理器） [01:03] 👓 EgoLife: Towards Egocentric Life Assistant（EgoLife：面向自我中心的生活助手） [01:39] 📞 LLM as a Broken Telephone: Iterative Generation Distorts Information（大型语言模型作为失真传话：迭代生成对信息的影响） [02:14] 🧠 LINGOLY-TOO: Disentangling Memorisation from Reasoning with Linguistic Templatisation and Orthographic Obfuscation（LINGOLY-TOO：通过语言模板化和正字法混淆分离记忆与推理） [02:51] 🔄 HybridNorm: Towards Stable and Efficient Transformer Training via Hybrid Normalization（混合归一化：通过混合归一化实现稳定高效的Transformer训练） [03:34] 🎥 Token-Efficient Long Video Understanding for Multimodal LLMs（高效的多模态大语言模型长视频理解） [04:14] 🧠 FuseChat-3.0: Preference Optimization Meets Heterogeneous Model Fusion（FuseChat-3.0：偏好优化与异构模型融合） [04:58] 🎮 PokéChamp: an Expert-level Minimax Language Agent（宝可冠军：一个专家级的Minimax语言代理） [05:42] 🎧 Audio Flamingo 2: An Audio-Language Model with Long-Audio Understanding and Expert Reasoning Abilities（音频火烈鸟2：具有长音频理解和专家推理能力的音频语言模型） [06:21] 📊 IFIR: A Comprehensive Benchmark for Evaluating Instruction-Following in Expert-Domain Information Retrieval（IFIR：评估专家领域信息检索中指令遵循的综合基准） [07:02] 📊 Identifying Sensitive Weights via Post-quantization Integral（通过后量化积分识别敏感权重） [07:46] 📏 L$^2$M: Mutual Information Scaling Law for Long-Context Language Modeling（L²M：长上下文语言模型的互信息缩放定律） [08:22] 🎥 The Best of Both Worlds: Integrating Language Models and Diffusion Models for Video Generation（双剑合璧：结合语言模型与扩散模型进行视频生成） [09:05] 🤖 Lost in Literalism: How Supervised Training Shapes Translationese in LLMs（迷失于字面主义：监督训练如何塑造LLMs中的翻译体） [09:48] 🚀 Dedicated Feedback and Edit Models Empower Inference-Time Scaling for Open-Ended General-Domain Tasks（专用反馈和编辑模型增强开放式通用领域任务的推理时扩展） [10:33] 🧠 Union of Experts: Adapting Hierarchical Routing to Equivalently Decomposed Transformer（专家联盟：将分层路由适应等价分解的Transformer） [11:13] 🤖 Combining Flow Matching and Transformers for Efficient Solution of Bayesian Inverse Problems（结合流匹配与Transformer实现高效的贝叶斯反问题求解） [11:54] 🚫 Understanding and Predicting Derailment in Toxic Conversations on GitHub（理解与预测GitHub上毒性对话中的脱轨现象） 【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 17 篇论文如下： [00:24] 🌍 Babel: Open Multilingual Large Language Models Serving Over 90% of Global Speakers（巴别塔：服务于全球90%以上人口的开源多语言大型语言模型） [01:11] 🧠 ABC: Achieving Better Control of Multimodal Embeddings using VLMs（ABC：使用视觉语言模型实现多模态嵌入的更好控制） [01:47] 🩺 Enhancing Abnormality Grounding for Vision Language Models with Knowledge Descriptions（利用知识描述增强视觉语言模型在异常定位中的性能） [02:24] 🎥 GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control（GEN3C：具备精确相机控制和时间上3D一致性的生成视频模型） [03:02] 🧠 KodCode: A Diverse, Challenging, and Verifiable Synthetic Dataset for Coding（KodCode：一个多样、具有挑战性且可验证的合成代码数据集） [03:43] 🧠 CrowdSelect: Synthetic Instruction Data Selection with Multi-LLM Wisdom（CrowdSelect：基于多LLM智慧的合成指令数据选择） [04:26] 📄 QE4PE: Word-level Quality Estimation for Human Post-Editing（QE4PE：面向人工译后编辑的词语级质量评估） [05:08] 🗣 Exploring Rewriting Approaches for Different Conversational Tasks（探索不同对话任务的重写方法） [05:43] 🧠 Process-based Self-Rewarding Language Models（基于过程的自奖励语言模型） [06:23] 🤖 Fine-Tuning Small Language Models for Domain-Specific AI: An Edge AI Perspective（针对特定领域的AI进行小型语言模型微调：边缘AI视角） [07:00] 🌐 Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases（基于文本丰富图知识库的结构与文本混合检索） [07:40] 🛠 Retrieval Models Aren't Tool-Savvy: Benchmarking Tool Retrieval for Large Language Models（检索模型不擅长工具使用：大型语言模型工具检索基准测试） [08:22] 🤖 FLAME: A Federated Learning Benchmark for Robotic Manipulation（FLAME: 机器人操作的联邦学习基准） [09:01] 🛡 Benchmarking Large Language Models for Multi-Language Software Vulnerability Detection（多语言软件漏洞检测的大语言模型基准测试） [09:53] 🤖 CognitiveDrone: A VLA Model and Evaluation Benchmark for Real-Time Cognitive Task Solving and Reasoning in UAVs（认知无人机：一种用于无人机实时认知任务解决和推理的VLA模型及评估基准） [10:36] 🚗 Interact, Instruct to Improve: A LLM-Driven Parallel Actor-Reasoner Framework for Enhancing Autonomous Vehicle Interactions（交互、指导以提升：一种用于增强自动驾驶车辆交互的LLM驱动并行行动者-推理者框架） [11:14] 🇨 SwiLTra-Bench: The Swiss Legal Translation Benchmark（SwiLTra-Bench：瑞士法律翻译基准） 【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 18 篇论文如下： [00:21] 🚀 MPO: Boosting LLM Agents with Meta Plan Optimization（MPO：通过元计划优化提升LLM代理） [00:59] 🤖 Mask-DPO: Generalizable Fine-grained Factuality Alignment of LLMs（Mask-DPO：大语言模型的可泛化细粒度事实性对齐） [01:43] 🧩 LADDER: Self-Improving LLMs Through Recursive Problem Decomposition（LADDER：通过递归问题分解实现自我改进的LLMs） [02:26] 📚 Wikipedia in the Era of LLMs: Evolution and Risks（大语言模型时代的维基百科：演变与风险） [03:06] 🚀 PipeOffload: Improving Scalability of Pipeline Parallelism with Memory Optimization（PipeOffload：通过内存优化提升流水线并行的可扩展性） [03:50] 🔄 Iterative Value Function Optimization for Guided Decoding（迭代价值函数优化指导解码） [04:33] 🤖 MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents（多智能体基准：评估LLM智能体的协作与竞争） [05:19] ⚡ FR-Spec: Accelerating Large-Vocabulary Language Models via Frequency-Ranked Speculative Sampling（FR-Spec：通过频率排序的推测采样加速大词汇量语言模型） [05:58] 🧐 SemViQA: A Semantic Question Answering System for Vietnamese Information Fact-Checking（SemViQA：越南信息事实核查的语义问答系统） [06:45] 🖼 RectifiedHR: Enable Efficient High-Resolution Image Generation via Energy Rectification（RectifiedHR：通过能量校正实现高效的高分辨率图像生成） [07:18] 🌐 UFO: A Unified Approach to Fine-grained Visual Perception via Open-ended Language Interface（UFO：通过开放式语言接口实现细粒度视觉感知统一方法） [07:56] 🧠 ATLaS: Agent Tuning via Learning Critical Steps（通过学习关键步骤进行代理调优） [08:41] 🤖 Language Models can Self-Improve at State-Value Estimation for Better Search（语言模型能够在状态值估计中自我改进以提升搜索效果） [09:24] 🔧 IterPref: Focal Preference Learning for Code Generation via Iterative Debugging（迭代调试优化的代码生成偏好学习） [10:15] 🔬 SPIDER: A Comprehensive Multi-Organ Supervised Pathology Dataset and Baseline Models（SPIDER：综合多器官监督病理数据集与基线模型） [10:56] 🌐 Improve Representation for Imbalanced Regression through Geometric Constraints（通过几何约束改进不平衡回归的表示） [11:35] 🎯 Q-Eval-100K: Evaluating Visual Quality and Alignment Level for Text-to-Vision Content（Q-Eval-100K：评估文本到视觉内容的质量与对齐水平） [12:16] 🤖 AppAgentX: Evolving GUI Agents as Proficient Smartphone Users（AppAgentX：演进出熟练使用智能手机的图形用户界面代理） 【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 20 篇论文如下： [00:21] 🧠 Visual-RFT: Visual Reinforcement Fine-Tuning（视觉强化微调：视觉强化微调） [01:05] 🌐 Difix3D+: Improving 3D Reconstructions with Single-Step Diffusion Models（Difix3D+：通过单步扩散模型改进三维重建） [01:43] 🧠 Phi-4-Mini Technical Report: Compact yet Powerful Multimodal Language Models via Mixture-of-LoRAs（Phi-4-Mini技术报告：通过LoRA混合的多模态语言模型实现紧凑且强大的性能） [02:25] 🎥 OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment（OneRec：统一生成推荐与迭代偏好对齐） [03:04] 🤔 When an LLM is apprehensive about its answers -- and when its uncertainty is justified（当LLM对其答案感到不安时——以及何时其不确定性是有道理的） [03:46] 🎵 DiffRhythm: Blazingly Fast and Embarrassingly Simple End-to-End Full-Length Song Generation with Latent Diffusion（DiffRhythm：基于潜在扩散的超快速且极度简单的端到端全长歌曲生成） [04:28] 🐯 Liger: Linearizing Large Language Models to Gated Recurrent Structures（Liger：将大型语言模型线性化为门控递归结构） [05:05] 📊 Qilin: A Multimodal Information Retrieval Dataset with APP-level User Sessions（麒麟：一个包含应用级用户会话的多模态信息检索数据集） [05:50] 🧠 Cognitive Behaviors that Enable Self-Improving Reasoners, or, Four Habits of Highly Effective STaRs（实现自我改进推理者的认知行为，或，高效STaRs的四个习惯） [06:28] ⚡ Speculative Ad-hoc Querying（投机性即席查询） [07:15] ⚡ DuoDecoding: Hardware-aware Heterogeneous Speculative Decoding with Dynamic Multi-Sequence Drafting（双解码：硬件感知的异构推测解码与动态多序列草稿） [07:52] 🎨 Kiss3DGen: Repurposing Image Diffusion Models for 3D Asset Generation（Kiss3DGen： repurposing Image Diffusion Models for 3D Asset Generation） [08:31] 🧠 Word Form Matters: LLMs' Semantic Reconstruction under Typoglycemia（词形重要：LLM在字谜现象下的语义重构） [09:10] ⚡ From Hours to Minutes: Lossless Acceleration of Ultra Long Sequence Generation up to 100K Tokens（从小时到分钟：超长序列生成的高效加速，最高可达100K tokens） [09:47] 🔍 Large-Scale Data Selection for Instruction Tuning（大规模数据选择用于指令微调） [10:26] 🌐 SampleMix: A Sample-wise Pre-training Data Mixing Strategey by Coordinating Data Quality and Diversity（SampleMix：一种协调数据质量和多样性的样本级预训练数据混合策略） [11:01] 🤖 CodeArena: A Collective Evaluation Platform for LLM Code Generation（CodeArena：面向LLM代码生成的大规模评估平台） [11:47] 🎥 VideoUFO: A Million-Scale User-Focused Dataset for Text-to-Video Generation（视频UFO：用于文本到视频生成的大规模用户聚焦数据集） [12:42] 🎙 PodAgent: A Comprehensive Framework for Podcast Generation（PodAgent：播客生成的综合框架） [13:18] 🏠 Unposed Sparse Views Room Layout Reconstruction in the Age of Pretrain Model（无姿态稀疏视角房间布局重建在预训练模型时代的应用） 【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： [00:20] 🌲 DeepSolution: Boosting Complex Engineering Solution Design via Tree-based Exploration and Bi-point Thinking（深度解决方案：通过基于树的探索与双点思维提升复杂工程解决方案设计） [00:55] ✍ Chain of Draft: Thinking Faster by Writing Less（草稿链：通过减少书写提高思考速度） [01:39] 🧠 ViDoRAG: Visual Document Retrieval-Augmented Generation via Dynamic Iterative Reasoning Agents（ViDoRAG：基于动态迭代推理代理的视觉文档检索增强生成） [02:20] 🧠 SoS1: O1 and R1-Like Reasoning LLMs are Sum-of-Square Solvers（SoS1：O1 和 R1 类推理 LLM 是平方和求解器） [03:09] 🧠 Optimal Brain Apoptosis（最优脑凋亡） [03:51] 🧠 Tell me why: Visual foundation models as self-explainable classifiers（告诉我为什么：视觉基础模型作为自解释分类器） [04:31] 🤖 Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids（基于视觉的类人灵巧操作的仿真到现实强化学习） [05:09] ⚡ LiteASR: Efficient Automatic Speech Recognition with Low-Rank Approximation（LiteASR：基于低秩近似的有效自动语音识别） [05:47] 🎥 HAIC: Improving Human Action Understanding and Generation with Better Captions for Multi-modal Large Language Models（HAIC：利用更好的字幕提升多模态大语言模型的人类行为理解和生成） [06:26] 🥬 LettuceDetect: A Hallucination Detection Framework for RAG Applications（LettuceDetect：用于RAG应用的幻觉检测框架） 【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 10 篇论文如下： [00:39] TOP1(🔥196) | 🤖 SmolLM2: When Smol Goes Big -- Data-Centric Training of a Small Language Model（SmolLM2：当小型模型走向大型化——以数据为中心的小型语言模型训练） [02:32] TOP2(🔥183) | 🎥 OmniHuman-1: Rethinking the Scaling-Up of One-Stage Conditioned Human Animation Models（OmniHuman-1：重新思考一阶段条件人类动画模型的扩展） [05:02] TOP3(🔥182) | 🦜 The Stochastic Parrot on LLM's Shoulder: A Summative Assessment of Physical Concept Understanding（随机鹦鹉在大语言模型肩上：物理概念理解的总结性评估） [06:41] TOP4(🔥167) | 🧠 MLGym: A New Framework and Benchmark for Advancing AI Research Agents（MLGym：推进AI研究代理的新框架与基准） [09:03] TOP5(🔥152) | 🌐 Qwen2.5-VL Technical Report（Qwen2.5-VL 技术报告） [11:48] TOP6(🔥152) | 🔍 LLM-Microscope: Uncovering the Hidden Role of Punctuation in Context Memory of Transformers（LLM显微镜：揭示标点符号在Transformer上下文记忆中的隐藏作用） [13:41] TOP7(🔥142) | 🚀 InfiniteHiP: Extending Language Model Context Up to 3 Million Tokens on a Single GPU（InfiniteHiP：在单个GPU上扩展语言模型上下文至300万 tokens） [16:06] TOP8(🔥140) | 🤔 Can 1B LLM Surpass 405B LLM? Rethinking Compute-Optimal Test-Time Scaling（10亿参数LLM能否超越4050亿参数LLM？重新思考计算最优的测试时缩放） [18:40] TOP9(🔥137) | ⚡ Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention（原生稀疏注意力：硬件对齐与原生可训练的稀疏注意力） [20:46] TOP10(🔥125) | 💼 Expect the Unexpected: FailSafe Long Context QA for Finance（预料之外：金融领域长上下文问答的FailSafe） 【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： [00:50] TOP1(🔥152) | 🔍 LLM-Microscope: Uncovering the Hidden Role of Punctuation in Context Memory of Transformers（LLM显微镜：揭示标点符号在Transformer上下文记忆中的隐藏作用） [03:08] TOP2(🔥89) | 📚 SurveyX: Academic Survey Automation via Large Language Models（SurveyX 基于大型语言模型的学术调查自动化系统） [05:42] TOP3(🔥65) | 🎥 VideoGrain: Modulating Space-Time Attention for Multi-grained Video Editing（视频粒度：调节时空注意力实现多粒度视频编辑） [07:24] TOP4(🔥64) | 📖 Thus Spake Long-Context Large Language Model（长上下文大语言模型如是说） [09:35] TOP5(🔥61) | 🤖 OmniAlign-V: Towards Enhanced Alignment of MLLMs with Human Preference（OmniAlign-V：迈向多模态大语言模型与人类偏好增强对齐） 【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 19 篇论文如下： [00:23] 🧠 Self-rewarding correction for mathematical reasoning（自我奖励的数学推理校正） [01:03] 🧠 MedVLM-R1: Incentivizing Medical Reasoning Capability of Vision-Language Models (VLMs) via Reinforcement Learning（MedVLM-R1：通过强化学习激励视觉语言模型的医疗推理能力） [01:53] 🧠 R2-T2: Re-Routing in Test-Time for Multimodal Mixture-of-Experts（R2-T2：测试时重路由在多模态专家混合模型中的应用） [02:34] 🧬 LongRoPE2: Near-Lossless LLM Context Window Scaling（LongRoPE2：近乎无损的LLM上下文窗口扩展） [03:11] 🧠 FINEREASON: Evaluating and Improving LLMs' Deliberate Reasoning through Reflective Puzzle Solving（FINEREASON：通过反思性谜题解决评估和改进大语言模型的深思熟虑推理） [04:02] 🤖 CODESYNC: Synchronizing Large Language Models with Dynamic Code Evolution at Scale（CODESYNC：大规模动态代码演化与大型语言模型同步） [04:48] 🚀 Lean and Mean: Decoupled Value Policy Optimization with Global Value Guidance（精简与高效：基于全局价值引导的解耦价值策略优化） [05:33] 🧩 UniTok: A Unified Tokenizer for Visual Generation and Understanding（UniTok：面向视觉生成与理解的统一分词器） [06:12] 🚀 NeoBERT: A Next-Generation BERT（NeoBERT：下一代BERT） [06:47] 🌀 FlexiDiT: Your Diffusion Transformer Can Easily Generate High-Quality Samples with Less Compute（FlexiDiT：让你的扩散Transformer轻松生成高质量样本，计算量更少） [07:30] 🛠 SoRFT: Issue Resolving with Subtask-oriented Reinforced Fine-Tuning（SoRFT：面向子任务的强化微调问题解决方法） [08:07] 🤖 Building Interactable Replicas of Complex Articulated Objects via Gaussian Splatting（基于高斯样条构建复杂 articulated 物体的交互式副本） [08:45] 🎨 Multimodal Representation Alignment for Image Generation: Text-Image Interleaved Control Is Easier Than You Think（多模态表示对齐用于图像生成：文本-图像交错控制比你想象的更简单） [09:30] 🎥 Mobius: Text to Seamless Looping Video Generation via Latent Shift（Mobius：通过潜在位移从文本生成无缝循环视频） [10:08] 🛡 Guardians of the Agentic System: Preventing Many Shots Jailbreak with Agentic System（代理系统守护者：通过代理系统防止多次越狱） [10:49] 🤖 R1-T1: Fully Incentivizing Translation Capability in LLMs via Reasoning Learning（通过推理学习全面激励大语言模型中的翻译能力） [11:29] 🧠 On Relation-Specific Neurons in Large Language Models（关于大型语言模型中的关系特定神经元） [12:05] 🔄 Training Consistency Models with Variational Noise Coupling（基于变分噪声耦合的训练一致性模型） [12:46] ⚡ Efficient Gaussian Splatting for Monocular Dynamic Scene Rendering via Sparse Time-Variant Attribute Modeling（通过稀疏时变属性建模实现单目动态场景渲染的高效高斯光栅化） 【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
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
