HuggingFace 每日AI论文速递

【赞助商】 通勤路上就听AI每周谈。AI每周谈，每周带你回顾上周AI大事 传送门 🔗https://www.xiaoyuzhoufm.com/podcast/688a34636f5a275f1cba40fd 【目录】 本期的 15 篇论文如下： [00:28] 🧠 LMEB: Long-horizon Memory Embedding Benchmark（LMEB：长时程记忆嵌入基准） [01:12] 🔄 Cheers: Decoupling Patch Details from Semantic Representations Enables Unified Multimodal Comprehension and Generation（Cheers：通过解耦补丁细节与语义表征实现统一的多模态理解与生成） [01:59] 🐳 daVinci-Env: Open SWE Environment Synthesis at Scale（daVinci-Env：大规模开源软件工程环境合成） [02:46] 🔍 Can Vision-Language Models Solve the Shell Game?（视觉语言模型能破解“猜球游戏”吗？） [03:26] ⚡ OmniForcing: Unleashing Real-time Joint Audio-Visual Generation（OmniForcing：释放实时联合视听生成） [04:14] 🎯 Visual-ERM: Reward Modeling for Visual Equivalence（Visual-ERM：面向视觉等价性的奖励建模） [05:11] 🔍 MM-CondChain: A Programmatically Verified Benchmark for Visually Grounded Deep Compositional Reasoning（MM-CondChain：一个经程序验证的视觉基础深度组合推理基准） [06:18] 🌉 V-Bridge: Bridging Video Generative Priors to Versatile Few-shot Image Restoration（V-Bridge：将视频生成先验桥接至通用少样本图像复原） [07:05] 🔍 Multimodal OCR: Parse Anything from Documents（多模态OCR：从文档中解析一切） [07:49] 🧠 Video Streaming Thinking: VideoLLMs Can Watch and Think Simultaneously（视频流式思考：VideoLLMs能够边观看边推理） [08:22] ⚠ HomeSafe-Bench: Evaluating Vision-Language Models on Unsafe Action Detection for Embodied Agents in Household Scenarios（HomeSafe-Bench：评估视觉语言模型在家庭场景具身智能体不安全动作检测中的表现） [09:13] 🔍 From Sparse to Dense: Multi-View GRPO for Flow Models via Augmented Condition Space（从稀疏到稠密：通过增强条件空间实现流模型的多视图GRPO） [09:59] ⚡ HybridStitch: Pixel and Timestep Level Model Stitching for Diffusion Acceleration（HybridStitch：用于扩散加速的像素与时间步级别模型拼接） [11:04] 🧠 Steve-Evolving: Open-World Embodied Self-Evolution via Fine-Grained Diagnosis and Dual-Track Knowledge Distillation（史蒂夫进化：通过细粒度诊断与双轨知识蒸馏实现开放世界具身自我进化） [11:54] 🎬 VQQA: An Agentic Approach for Video Evaluation and Quality Improvement（VQQA：一种用于视频评估与质量提升的智能体方法） 【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

【赞助商】 通勤路上就听AI每周谈。AI每周谈，每周带你回顾上周AI大事 传送门 🔗https://www.xiaoyuzhoufm.com/podcast/688a34636f5a275f1cba40fd 【目录】 本期的 5 篇论文如下： [00:50] TOP1(🔥136) | 🎨 Geometry-Guided Reinforcement Learning for Multi-view Consistent 3D Scene Editing（几何引导的强化学习用于多视角一致的3D场景编辑） [02:57] TOP2(🔥104) | 🐧 Penguin-VL: Exploring the Efficiency Limits of VLM with LLM-based Vision Encoders（Penguin-VL：探索基于LLM视觉编码器的VLM效率极限） [04:30] TOP3(🔥90) | 🤖 OpenClaw-RL: Train Any Agent Simply by Talking（OpenClaw-RL：通过对话训练任意智能体） [06:24] TOP4(🔥81) | 📖 Lost in Stories: Consistency Bugs in Long Story Generation by LLMs（迷失于故事：大语言模型生成长篇故事中的一致性错误） [08:02] TOP5(🔥77) | 🧠 Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence（Holi-Spatial：将视频流演化为整体的3D空间智能） 【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

【赞助商】 通勤路上就听AI每周谈。AI每周谈，每周带你回顾上周AI大事 传送门 🔗https://www.xiaoyuzhoufm.com/podcast/688a34636f5a275f1cba40fd 【目录】 本期的 15 篇论文如下： [00:32] 🧠 Spatial-TTT: Streaming Visual-based Spatial Intelligence with Test-Time Training（Spatial-TTT：基于测试时训练的流式视觉空间智能） [01:17] 🤔 Strategic Navigation or Stochastic Search? How Agents and Humans Reason Over Document Collections（策略性导航还是随机搜索？智能体与人类在文档集合上的推理方式研究） [02:11] ⚡ IndexCache: Accelerating Sparse Attention via Cross-Layer Index Reuse（IndexCache：通过跨层索引复用加速稀疏注意力） [02:54] 🎬 Video-Based Reward Modeling for Computer-Use Agents（基于视频的计算机使用智能体奖励建模） [03:55] 🎬 DreamVideo-Omni: Omni-Motion Controlled Multi-Subject Video Customization with Latent Identity Reinforcement Learning（DreamVideo-Omni：基于潜在身份强化学习的全运动控制多主体视频定制） [04:46] 🎯 Trust Your Critic: Robust Reward Modeling and Reinforcement Learning for Faithful Image Editing and Generation（信任你的评判者：用于忠实图像编辑与生成的鲁棒奖励建模与强化学习） [05:40] 🎬 DVD: Deterministic Video Depth Estimation with Generative Priors（DVD：基于生成先验的确定性视频深度估计） [06:29] 🖼 WeEdit: A Dataset, Benchmark and Glyph-Guided Framework for Text-centric Image Editing（WeEdit：面向文本中心图像编辑的数据集、基准与字形引导框架） [07:29] 🎬 ShotVerse: Advancing Cinematic Camera Control for Text-Driven Multi-Shot Video Creation（ShotVerse：面向文本驱动多镜头视频创作的电影级摄像机控制技术） [08:24] 🧠 GRADE: Benchmarking Discipline-Informed Reasoning in Image Editing（GRADE：基准测试学科知识驱动的图像编辑推理能力） [09:08] 🎬 EVATok: Adaptive Length Video Tokenization for Efficient Visual Autoregressive Generation（EVATok：面向高效视觉自回归生成的自适应长度视频分词） [09:55] ⚡ One Model, Many Budgets: Elastic Latent Interfaces for Diffusion Transformers（一模型，多预算：用于扩散变换器的弹性潜在接口） [10:46] 🤖 OmniStream: Mastering Perception, Reconstruction and Action in Continuous Streams（OmniStream：在连续流中掌握感知、重建与行动） [11:29] 🧠 EndoCoT: Scaling Endogenous Chain-of-Thought Reasoning in Diffusion Models（EndoCoT：在扩散模型中扩展内生思维链推理） [12:37] 🧠 XSkill: Continual Learning from Experience and Skills in Multimodal Agents（XSkill：多模态智能体从经验与技能中的持续学习） 【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

【赞助商】 通勤路上就听AI每周谈。AI每周谈，每周带你回顾上周AI大事 传送门 🔗https://www.xiaoyuzhoufm.com/podcast/688a34636f5a275f1cba40fd 【目录】 本期的 15 篇论文如下： [00:29] 🤖 OpenClaw-RL: Train Any Agent Simply by Talking（OpenClaw-RL：通过对话训练任意智能体） [01:17] ⚡ Flash-KMeans: Fast and Memory-Efficient Exact K-Means（Flash-KMeans：快速且内存高效的精确K-Means算法） [02:01] 👁 MA-EgoQA: Question Answering over Egocentric Videos from Multiple Embodied Agents（MA-EgoQA：基于多具身智能体第一人称视角视频的问答） [02:43] 🧠 In-Context Reinforcement Learning for Tool Use in Large Language Models（大语言模型中工具使用的上下文强化学习） [03:19] 🧠 ReMix: Reinforcement routing for mixtures of LoRAs in LLM finetuning（ReMix：基于强化学习的LoRA混合路由用于大语言模型微调） [04:10] 📊 Can Large Language Models Keep Up? Benchmarking Online Adaptation to Continual Knowledge Streams（大型语言模型能否跟上？在线适应持续知识流的基准测试） [05:00] 🧠 RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback（RetroAgent：通过回顾性双重内在反馈实现从解决问题到持续进化） [05:50] 🔬 CodePercept: Code-Grounded Visual STEM Perception for MLLMs（CodePercept：基于代码的多模态大语言模型视觉STEM感知） [06:44] 🎯 Prism-$Δ$: Differential Subspace Steering for Prompt Highlighting in Large Language Models（Prism-Δ：面向大语言模型提示高亮的差分子空间导向方法） [07:31] 🧠 LLM2Vec-Gen: Generative Embeddings from Large Language Models（LLM2Vec-Gen：基于大语言模型的生成式嵌入方法） [08:22] ⚖ $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts（V_{0.5}：作为稀疏强化学习rollouts先验的通用价值模型） [09:05] ⚡ Just-in-Time: Training-Free Spatial Acceleration for Diffusion Transformers（即时：无需训练的空间加速方法用于扩散Transformer） [09:47] 🧠 Bootstrapping Exploration with Group-Level Natural Language Feedback in Reinforcement Learning（强化学习中利用群体级自然语言反馈引导探索） [10:39] 💬 RbtAct: Rebuttal as Supervision for Actionable Review Feedback Generation（RbtAct：以反驳作为监督的可操作审稿反馈生成） [11:14] 🧠 Hindsight Credit Assignment for Long-Horizon LLM Agents（面向长视野LLM智能体的后见之明信用分配） 【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