HuggingFace 每日AI论文速递 - 节目列表

【目录】 本期的 15 篇论文如下： [00:31] 🎭 ArcANE: Do Role-Playing Language Agents Stay in Character at the Right Time?（ArcANE：角色扮演语言代理在正确时刻保持角色一致性吗？） [01:26] 🔍 TIDE: Proactive Multi-Problem Discovery via Template-Guided Iteration（TIDE：通过模板引导的迭代实现主动多问题发现） [02:27] 🤖 AdaPlanBench: Evaluating Adaptive Planning in Large Language Model Agents under World and User Constraints（AdaPlanBench：在世界与用户约束下评估大语言模型智能体的自适应规划能力） [03:14] 🎥 VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding（VideoKR：迈向知识和推理密集型视频理解） [04:09] 🤖 RobotValues: Evaluating Household Robots When Human Values Conflict（机器人价值观：当人类价值观冲突时评估家用机器人） [05:01] 🌐 Reinforcement Learning Elicits Contextual Learning of Unseen Language Translation（强化学习引发对未见语言的上下文翻译学习） [05:58] 🎬 LoomVideo: Unifying Multimodal Inputs into Video Generation and Editing（LoomVideo：统一多模态输入的视频生成与编辑） [06:49] 📸 Personal AI Agent for Camera Roll VQA（个人相机胶卷视觉问答的AI助手） [07:36] 🧠 Rethinking Continual Experience Internalization for Self-Evolving LLM Agents（重新思考持续经验内化以实现自演化的大语言模型智能体） [08:27] ⚖ Complexity-Balanced Diffusion Splitting（复杂度平衡扩散分割） [09:28] 🤖 Dream.exe: Can Video Generation Models Dream Executable Robot Manipulation?（Dream.exe：视频生成模型能否构想出可执行的机器人操作？） [10:33] 🔬 Unsupervised Skill Discovery for Agentic Data Analysis（面向智能体数据分析的无监督技能发现） [11:25] 🔍 LLMs Can Leak Training Data But Do They Want To? A Propensity-Aware Evaluation of Memorization in LLMs（大型语言模型可能泄露训练数据，但它们愿意吗？一种基于倾向性的记忆评估方法） [12:17] 🎯 Towards One-to-Many Temporal Grounding（迈向一对多时序定位） [13:16] 💰 The Shadow Price of Reasoning: Economic Perspective on Optimal Budget Allocation for LLMs（推理的影子价格：大型语言模型最优预算分配的经济学视角） 【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】 OpenClaw快报 每天五分钟，听听 OpenClaw 快报，带你了解最新动态和业内讨论 传送门 https://www.xiaoyuzhoufm.com/podcast/6a1732a2dffa135d0ab5ef43

【目录】 本期的 15 篇论文如下： [00:31] 🌌 Cosmos 3: Omnimodal World Models for Physical AI（宇宙3：面向物理AI的全模态世界模型） [01:36] 🎧 Audio Interaction Model（音频交互模型） [02:31] 🔍 Where Do Deep-Research Agents Go Wrong? Span-Level Error Localization in Agent Trajectories（深度研究型智能体错在哪里？智能体轨迹中的跨度级错误定位） [03:30] 🔍 Reproducing, Analyzing, and Detecting Reward Hacking in Rubric-Based Reinforcement Learning（在基于评分标准的强化学习中复现、分析与检测奖励作弊行为） [04:25] 🧭 OVO-S-Bench: A Hierarchical Benchmark for Streaming Spatial Intelligence in Multimodal LLMs（OVO-S-Bench：面向多模态大语言模型流式空间智能的分层基准） [05:27] ⚡ Qwen-Image-Flash: Beyond Objective Design（Qwen-Image-Flash：超越客观设计） [06:18] 🧠 M$^3$Eval: Multi-Modal Memory Evaluation through Cognitively-Grounded Video Tasks（M$^3$Eval：基于认知视频任务的多模态记忆评估） [07:13] 🎥 Echo-Infinity: Learning Evolving Memory for Real-Time Infinite Video Generation（回声无限：面向实时无限视频生成的可学习演化记忆） [08:14] 🧠 ThoughtFold: Folding Reasoning Chains via Introspective Preference Learning（思维折叠：通过内省偏好学习折叠推理链） [09:08] 🧪 Benchmarks are Not Enough: RAMP for Runtime Assessing of Agentic Models in Production Systems（基准测试并不足够：用于生产系统中智能体模型运行时评估的RAMP框架） [10:15] ⚡ Streaming Communication in Multi-Agent Reasoning（多智能体推理中的流式通信） [11:08] 🎯 Self-Distilled Policy Gradient（自蒸馏策略梯度） [12:13] 🧠 MemTrain: Self-Supervised Context Memory Training（MemTrain：自监督上下文记忆训练） [13:05] 🧩 Eliciting Complex Spatial Reasoning in MLLMs through Wide-Baseline Matching（通过宽基线匹配激发多模态大语言模型中的复杂空间推理能力） [14:11] 🤖 MMG2Skill: Can Agents Distill In-the-Wild Guides into Self-Evolving Skills?（MMG2Skill：智能体能否从野外指南中蒸馏出自我进化的技能？） 【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】 OpenClaw快报 每天五分钟，听听 OpenClaw 快报，带你了解最新动态和业内讨论 传送门 https://www.xiaoyuzhoufm.com/podcast/6a1732a2dffa135d0ab5ef43

【目录】 本期的 15 篇论文如下： [00:31] 🎯 Trust Region On-Policy Distillation（信任区域同策略蒸馏） [01:17] 🤖 Humanoid-GPT: Scaling Data and Structure for Zero-Shot Motion Tracking（人形GPT：扩展数据与结构实现零样本运动追踪） [02:07] 🧠 A Local Perturbation Theory for Cross-Domain Interference and Recovery in Multi-Domain RL（多领域强化学习中跨域干扰与恢复的局部微扰理论） [03:06] 🧠 World Models Meet Language Models: On the Complementarity of Concrete and Abstract Reasoning（世界模型与语言模型：具体与抽象推理的互补性） [03:57] 🏥 AutoMedBench: Towards Medical AutoResearch with Agentic AI Models（AutoMedBench：面向医疗自主研究的智能体AI模型基准） [05:09] 🖼 Decoupled Residual Denoising Diffusion Models for Unified and Data Efficient Image-to-Image Translation（解耦残差去噪扩散模型用于统一且数据高效的图像到图像翻译） [06:12] 😴 Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories（语言模型需要睡眠：学习自我修改与记忆巩固） [07:09] 🧩 TRON: Targeted Rule-Verifiable Online Environments for Visual Reasoning RL（TRON：面向视觉推理强化学习的目标驱动、规则可验证的在线环境） [08:07] 💬 $Ψ$-Bench: Evaluating Persona-Sensitive Influencing in Persuasive Dialogues（Ψ-Bench：评估说服性对话中个性感知影响能力） [09:08] 🧩 Decentralized Instruction Tuning: Conflict-Aware Splitting and Weight Merging（去中心化指令微调：冲突感知分割与权重合并） [10:05] 🎯 Small RL Controller, Large Language Model: RL-Guided Adaptive Sampling for Test-Time Scaling（小型强化学习控制器与大型语言模型：基于强化学习引导的自适应采样实现测试时扩展） [11:09] 📄 PaddleOCR-VL-1.6: Expanding the Frontier of Document Parsing with Under-Optimized Region Refinement and Progressive Post-Training（PaddleOCR-VL-1.6：通过欠优化区域精炼与渐进式后训练扩展文档解析前沿） [12:14] 🗺 PlatonicNav: Unveiling Semantic Correspondence in Navigation with Platonic Topological Maps（柏拉图导航：利用柏拉图拓扑图揭示导航中的语义对应关系） [13:16] 🔍 Diagnosing Harmful Continuation in Answer-Correct Long-CoT Training Traces（诊断正确答案长链思维训练轨迹中的有害延续） [14:05] 🎵 MERIT: Learning Disentangled Music Representations for Audio Similarity（MERIT：学习用于音频相似性的解耦音乐表示） 【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】 OpenClaw快报 每天五分钟，听听 OpenClaw 快报，带你了解最新动态和业内讨论 传送门 https://www.xiaoyuzhoufm.com/podcast/6a1732a2dffa135d0ab5ef43

【目录】 本期的 15 篇论文如下： [00:33] 🎨 Crafter: A Multi-Agent Harness for Editable Scientific Figure Generation from Diverse Inputs（Crafter：一种用于从多样化输入生成可编辑科学图形的多智能体框架） [01:39] 🧩 On the Scaling of PEFT: Towards Million Personal Models of Trillion Parameters（关于参数高效微调的规模化：迈向万亿参数级别的百万个性化模型） [02:35] 🧪 A Matter of TASTE: Improving Coverage and Difficulty of Agent Benchmarks（品味之道：提升智能体基准测试的覆盖度与难度） [03:25] 🌐 K-BrowseComp: A Web Browsing Agent Benchmark Grounded in Korean Contexts（K-BrowseComp：基于韩国语境的网页浏览代理基准测试） [04:21] ⚡ Draft-OPD: On-Policy Distillation for Speculative Draft Models（Draft-OPD：面向推测草稿模型的在策略蒸馏） [05:10] 🎓 VLMs are Good Teachers for Video Reasoning via Adaptive Test-Time Optimization（视觉语言模型作为视频推理的优质教师：通过自适应测试时优化） [06:18] 📡 X-Stream: Exploring MLLMs as Multiplexers for Multi-Stream Understanding（X-Stream：探索多模态大语言模型作为多流理解的多路复用器） [07:13] 🎬 VideoMLA: Low-Rank Latent KV Cache for Minute-Scale Autoregressive Video Diffusion（VideoMLA：用于分钟级自回归视频扩散的低秩潜在KV缓存） [07:59] 🤖 SkillAdaptor: Self-Adapting Skills for LLM Agents from Trajectories（SkillAdaptor：面向LLM智能体的自适应技能从轨迹中学习） [08:54] 🧠 Which Pretraining Paradigm Better Serves Spatial Intelligence? An Empirical Comparison of Vision-Language and Video Generation Models（哪种预训练范式更好地服务于空间智能？视觉语言模型与视频生成模型的实证比较） [09:51] 🧠 NITP: Next Implicit Token Prediction for LLM Pre-training（NITP：面向大语言模型预训练的下一隐式词元预测） [10:50] 👀 Where to Look: Can Foundation Models Reach a Target Viewpoint Through Active Exploration?（该看向哪里：基础模型能否通过主动探索达到目标视角？） [11:46] 🎬 LVSA: Training-Free Sparse Attention for Long Video Diffusion（LVSA：面向长视频扩散的无训练稀疏注意力机制） [12:38] 🛑 ESPO: Early-Stopping Proximal Policy Optimization（早期停止的近端策略优化） [13:37] 🎤 StreamChar: Long-Horizon Streaming Character Audio-Video Generation with Decoupled Orchestration（StreamChar：基于解耦编排的长时流式角色音频-视频生成） 【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 【赞助商】 OpenClaw快报 每天五分钟，听听 OpenClaw 快报，带你了解最新动态和业内讨论 传送门 https://www.xiaoyuzhoufm.com/podcast/6a1732a2dffa135d0ab5ef43

【目录】 本期的 15 篇论文如下： [00:30] 🧠 COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation（COLLEAGUE.SKILL：通过专家知识蒸馏实现自动化AI技能生成） [01:17] 🧠 Representation Forcing for Bottleneck-Free Unified Multimodal Models（表示强制：无瓶颈统一多模态模型） [02:07] 🎙 SwanVoice: Expressive Long-Form Zero-Shot Speech Synthesis for Both Monologue and Dialogue（SwanVoice：面向独白与对话的表现力丰富长文本零样本语音合成） [02:58] 🔍 LongTraceRL: Learning Long-Context Reasoning from Search Agent Trajectories with Rubric Rewards（长迹强化学习：利用评分奖励从搜索代理轨迹中学习长上下文推理） [03:59] 🎧 Towards Streaming Synchronized Spatial Audio Generation via Autoregressive Diffusion Transformer（面向流式同步空间音频生成的自回归扩散Transformer） [04:48] 🖼 GGT-100K: Generative Ground Truth for Generalizable Real-World Image Restoration（GGT-100K：面向通用真实世界图像恢复的生成式真实标签） [05:39] 🎤 Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios（多样化场景下长篇语音生成的综合基准测试） [06:46] 🛋 Function2Scene: 3D Indoor Scene Layout from Functional Specifications（从功能规格到场景：基于功能说明的3D室内布局生成） [07:36] 🎥 SANA-Streaming: Real-time Streaming Video Editing with Hybrid Diffusion Transformer（SANA-Streaming：基于混合扩散Transformer的实时流式视频编辑） [08:29] 🧠 Task-Focused Memorization for Multimodal Agents（面向多模态智能体的任务聚焦记忆机制） [09:30] 🤖 Exploring Autonomous Agentic Data Engineering for Model Specialization（探索面向模型专业化的自主代理数据工程） [10:15] 🎓 Not All Disagreement Is Learnable: Token Teachability in On-Policy Distillation（并非所有分歧都是可学习的：在线策略蒸馏中的令牌可教性） [11:10] 🧩 dMoE: dLLMs with Learnable Block Experts（dMoE：具有可学习块级专家机制的扩散大语言模型） [12:12] 🛠 Recovering Policy-Induced Errors: Benchmarking and Trajectory Synthesis for Robust GUI Agents（恢复策略诱导的错误：面向鲁棒GUI智能体的基准测试与轨迹合成） [13:07] 🛡 From Prompt Injection to Persistent Control: Defending Agentic Harness Against Trojan Backdoors（从提示注入到持久控制：防御智能体框架中的特洛伊后门） 【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】 OpenClaw快报 每天五分钟，听听 OpenClaw 快报，带你了解最新动态和业内讨论 传送门 https://www.xiaoyuzhoufm.com/podcast/6a1732a2dffa135d0ab5ef43

【目录】 本期的 10 篇论文如下： [00:45] TOP1(🔥407) | 🌍 Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players（Gamma-World：超越双玩家的生成式多智能体世界建模） [03:09] TOP2(🔥347) | 🤖 MolmoAct2: Action Reasoning Models for Real-world Deployment（MolmoAct2：面向实际部署的動作推理模型） [05:30] TOP3(🔥269) | 🔍 CiteVQA: Benchmarking Evidence Attribution for Trustworthy Document Intelligence（CiteVQA：为可信文档智能建立证据归因基准） [07:51] TOP4(🔥231) | 🧠 Mean Mode Screaming: Mean--Variance Split Residuals for 1000-Layer Diffusion Transformers（均值模式尖叫：面向千层扩散Transformer的均值-方差分裂残差） [10:04] TOP5(🔥219) | 🏗 MinT: Managed Infrastructure for Training and Serving Millions of LLMs（MinT：用于训练和服务数百万大语言模型的托管基础设施） [11:59] TOP6(🔥217) | 🧠 Heterogeneous Scientific Foundation Model Collaboration（异构科学基础模型协作） [14:17] TOP7(🔥210) | 🤖 Code as Agent Harness（代码作为智能体框架） [16:26] TOP8(🔥210) | 🧠 SkillOpt: Executive Strategy for Self-Evolving Agent Skills（SkillOpt：面向自进化智能体技能的执行策略） [18:39] TOP9(🔥204) | 🎯 DelTA: Discriminative Token Credit Assignment for Reinforcement Learning from Verifiable Rewards（DelTA：面向可验证奖励强化学习的判别性令牌信用分配） [20:25] TOP10(🔥195) | 🧠 Anti-Self-Distillation for Reasoning RL via Pointwise Mutual Information（基于点互信息的反自蒸馏用于推理强化学习） 【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

【目录】 本期的 5 篇论文如下： [00:41] TOP1(🔥357) | 🌍 Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players（Gamma-World：超越双玩家的生成式多智能体世界建模） [02:49] TOP2(🔥204) | 🧠 SkillOpt: Executive Strategy for Self-Evolving Agent Skills（SkillOpt：面向自进化智能体技能的执行策略） [04:37] TOP3(🔥131) | 🎯 DVAO: Dynamic Variance-adaptive Advantage Optimization for Multi-reward Reinforcement Learning（DVAO：面向多奖励强化学习的动态方差自适应优势优化） [06:17] TOP4(🔥124) | 🎯 LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding（LocateAnything：基于并行框解码的快速高质量视觉-语言定位） [08:56] TOP5(🔥110) | 🛡 AgentDoG 1.5: A Lightweight and Scalable Alignment Framework for AI Agent Safety and Security（AgentDoG 1.5：一种轻量级且可扩展的AI代理安全与安保对齐框架） 【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

【目录】 本期的 14 篇论文如下： [00:25] 🛡 AgentDoG 1.5: A Lightweight and Scalable Alignment Framework for AI Agent Safety and Security（AgentDoG 1.5：一种轻量级且可扩展的AI代理安全与安保对齐框架） [01:06] 🤖 Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments（Qwen-VLA：统一跨任务、环境和机器人本体的视觉-语言-动作建模） [02:02] 🌐 OmniRetrieval: Unified Retrieval across Heterogeneous Knowledge Sources（OmniRetrieval：跨异构知识源的统一检索） [02:52] 🎨 CollectionLoRA: Collecting 50 Effects in 1 LoRA via Multi-Teacher On-Policy Distillation（集合LoRA：通过多教师同策略蒸馏将50种效果收集到一个LoRA中） [03:47] 🎬 minWM: A Full-Stack Open-Source Framework for Real-Time Interactive Video World Models（minWM：一个用于实时交互式视频世界模型的全栈开源框架） [04:39] 🎥 YoCausal: How Far is Video Generation from World Model? A Causality Perspective（YoCausal：视频生成距离世界模型还有多远？一个因果视角） [05:42] 🎨 GenClaw: Code-Driven Agentic Image Generation（GenClaw：代码驱动的智能体图像生成） [06:40] ⚡ EarlyTom: Early Token Compression Completes Fast Video Understanding（EarlyTom：早期令牌压缩实现快速视频理解） [07:37] 🎯 UniSteer: Text-Guided Flow Matching in Activation Space for Versatile LLM Steering（UniSteer：文本引导的激活空间流匹配实现多功能大语言模型操控） [08:25] 🧠 How LoRA Remembers? A Parametric Memory Law for LLM Finetuning（LoRA如何记忆？大语言模型微调中的参数化记忆定律） [09:20] 🔗 LoMo: Local Modality Substitution for Deeper Vision-Language Fusion（本地模态替换：实现更深入的视觉-语言融合） [10:24] 🔍 LaRA: Layer-wise Representation Analysis for Detecting Data Contamination in RL Post-Training（LaRA：基于逐层表示分析的RL后训练数据污染检测方法） [11:16] 🧠 Skill0.5: Joint Skill Internalization and Utilization for Out-of-Distribution Generalization in Agentic Reinforcement Learning（Skill0.5：面向智能体强化学习中分布外泛化的技能内化与利用联合框架） [12:17] 🔍 Xetrieval: Mechanistically Explaining Dense Retrieval（Xetrieval：机制性解释稠密检索） 【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

【目录】 本期的 15 篇论文如下： [00:24] 🎯 ProRL: Effective Reinforcement Learning for Proactive Recommendation via Rectified Policy Gradient Estimation（ProRL：通过修正策略梯度估计实现主动推荐的有效强化学习） [01:27] 🌍 Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players（Gamma-World：超越双玩家的生成式多智能体世界建模） [02:28] 🤖 Agent Explorative Policy Optimization for Multimodal Agentic Reasoning（面向多模态智能体推理的智能体探索性策略优化） [03:24] 👁 From Pixels to Words -- Towards Native One-Vision Models at Scale（从像素到文字——迈向规模化的原生单视觉模型） [04:19] 🔍 Self-Improving Language Models with Bidirectional Evolutionary Search（基于双向进化搜索的自我改进语言模型） [05:01] 🧮 ResearchMath-14K: Scaling Research-Level Mathematics via Agents（ResearchMath-14K：通过智能体扩展研究级数学问题） [06:03] 🔍 MemTrace: Tracing and Attributing Errors in Large Language Model Memory Systems（MemTrace：大型语言模型记忆系统中的错误追踪与归因） [06:58] 🛠 DenoiseRL: Bootstrapping Reasoning Models to Recover from Noisy Prefixes（DenoiseRL：引导推理模型从噪声前缀中恢复的自举强化学习） [07:54] 🤖 GEM: Generative Supervision Helps Embodied Intelligence（GEM：生成式监督助力具身智能） [08:41] 🎯 Learn from Weaknesses: Automated Domain Specialization for Small Computer-Use Agents（从弱点中学习：小型计算机使用智能体的自动化领域专精） [09:30] 🔗 ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence（ScientistOne：通过证据链迈向人类级别的自主研究） [10:27] 🔬 AI Research Agents Narrow Scientific Exploration（AI研究代理缩小科学探索范围） [11:17] 🧠 Rethinking Memory as Continuously Evolving Connectivity（重新思考记忆作为持续演化的连接性） [12:15] 🎥 OSP-Next: Efficient High-Quality Video Generation with Sparse Sequence Parallelism, HiF8 Quantization, and Reinforcement Learning（OSP-Next：基于稀疏序列并行、HiF8量化和强化学习的高效高质量视频生成） [13:08] ⚖ Long Live The Balance: Information Bottleneck Driven Tree-based Policy Optimization（长久平衡：信息瓶颈驱动的树形策略优化） 【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

【目录】 本期的 15 篇论文如下： [00:24] 🎯 LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding（LocateAnything：基于并行框解码的快速高质量视觉-语言定位） [01:13] 🧩 SpatialBench: Is Your Spatial Foundation Model an All-Round Player?（SpatialBench：你的空间基础模型是全能选手吗？） [02:07] 🎬 EvalVerse: Pipeline-Aware and Expert-Calibrated Benchmarking for Professional Cinematic Video Generation（EvalVerse：面向专业电影级视频生成的流水线感知与专家校准基准测试框架） [03:06] 📱 MobileGym: A Verifiable and Highly Parallel Simulation Platform for Mobile GUI Agent Research（MobileGym：一个可验证且高度并行的移动图形用户界面智能体研究仿真平台） [04:05] 🏗 Geometry-Aware Representation Denoising for Robust Multi-view 3D Reconstruction（几何感知表示去噪：面向鲁棒的多视图三维重建） [05:00] 🎬 LongAV-Compass: Towards Unified Evaluation of Minute-Scale Audio-Visual Generation Across T2AV, I2AV, and V2AV（LongAV-Compass：面向分钟级音视频生成的统一评估框架，涵盖文本到音视频、图像到音视频及视频到音视频） [05:59] 🛡 $D^2$-Monitor: Dynamic Safety Monitoring for Diffusion LLMs via Hesitation-Aware Routing（D²-Monitor：基于犹豫感知路由的扩散大语言模型动态安全监控） [06:54] 🤖 The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence（MiniMax-M2系列：微型激活释放最大现实智能） [07:51] 🤝 Share More, Search Less: Collaborative Parallel Thinking for Efficient Test-Time Scaling（多分享，少搜索：面向高效测试时扩展的协作式并行思考） [08:46] 🎬 Soap2Soap: Long Cinematic Video Remaking via Multi-Agent Collaboration（Soap2Soap：基于多智能体协作的长篇影视视频重制） [09:46] 👁 LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence（LLaVA-OneVision-2：迈向下一代感知智能） [10:37] 🤖 VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions（VitaBench 2.0：评估长期用户交互中的个性化与主动型智能体） [11:42] 👁 Does Seeing More Mean Knowing More? Mono-Anchored Advantage Normalization for Multi-Source Visual Reasoning（看见更多就意味着知道更多吗？面向多源视觉推理的单锚点优势归一化方法） [12:34] 🔮 JLT: Clean-Latent Prediction in Latent Diffusion Transformers（JLT：潜在扩散Transformer中的干净潜在预测） [13:17] 🧠 Efficient Agentic Reinforcement Learning with On-Policy Intrinsic Knowledge Boundary Enhancement（基于策略的内在知识边界增强的高效智能体强化学习） 【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

【目录】 本期的 15 篇论文如下： [00:25] 🎯 DVAO: Dynamic Variance-adaptive Advantage Optimization for Multi-reward Reinforcement Learning（DVAO：面向多奖励强化学习的动态方差自适应优势优化） [01:15] 🎬 WBench: A Comprehensive Multi-turn Benchmark for Interactive Video World Model Evaluation（WBench：用于交互式视频世界模型评估的全面多轮基准） [02:13] 🖥 Macaron-A2UI: A Model for Generative UI in Personal Agents（Macaron-A2UI：一种面向个人代理的生成式用户界面模型） [02:56] 🤝 Foundation Protocol: A Coordination Layer for Agentic Society（基础协议：面向智能体社会的协调层） [04:02] 🔺 TriSplat: Simulation-Ready Feed-Forward 3D Scene Reconstruction（TriSplat：面向模拟的馈通式三维场景重建） [05:05] 🎬 ParaVT: Taming the Tool Prior Paradox for Parallel Tool Use in Agentic Video Reinforcement Learning（ParaVT：驯服工具先验悖论，实现智能视频强化学习中的并行工具调用） [06:00] 🧠 Toward Native Multimodal Modeling: A Roadmap（迈向原生多模态建模：路线图） [06:50] 🔍 QUEST: Training Frontier Deep Research Agents with Fully Synthetic Tasks（QUEST：通过完全合成任务训练前沿深度研究智能体） [07:43] 🎯 ThriftAttention: Selective Mixed Precision for Long-Context FP4 Attention（ThriftAttention：面向长上下文的FP4注意力机制的选择性混合精度方法） [08:50] 🔬 AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery（自动研究AI：迈向人工智能驱动的科学发现自动化研究） [09:46] 🧠 Your Embedding Model is SMARTer Than You Think（你的嵌入模型比想象中更聪明） [10:25] 💡 ControlLight: Towards Controllable, Consistent, and Generalizable Low-Light Enhancement（ControlLight：迈向可控、一致且泛化的低光增强） [11:22] 🌐 Pantheon360: Taming Digital Twin Generation via 3D-Aware 360° Video Diffusion（Pantheon360：通过三维感知的360°视频扩散驯服数字孪生生成） [12:09] 🤖 CUA-Gym: Scaling Verifiable Training Environments and Tasks for Computer-Use Agents（CUA-Gym：为计算机使用智能体扩展可验证的训练环境与任务） [13:01] 🤖 Anticipate and Learn: Unleashing Idle-Time Compute in Proactive Agents（预见与学习：释放主动智能体中的空闲计算资源） 【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

【目录】 本期的 15 篇论文如下： [00:25] 🧠 SkillOpt: Executive Strategy for Self-Evolving Agent Skills（SkillOpt：面向自进化智能体技能的执行策略） [01:16] 🔍 Lens: Rethinking Training Efficiency for Foundational Text-to-Image Models（Lens：重新思考基础文本到图像模型的训练效率） [02:20] 🔀 Rethinking Cross-Layer Information Routing in Diffusion Transformers（重新思考扩散变换器中的跨层信息路由） [03:01] 🧠 SciAtlas: A Large-Scale Knowledge Graph for Automated Scientific Research（SciAtlas：面向自动化科学研究的大规模知识图谱） [03:56] 🎙 StepAudio 2.5 Technical Report（StepAudio 2.5 技术报告） [04:51] 👁 See What I Mean: Aligning Vision and Language Representations for Video Fine-grained Object Understanding（看懂我的意思：对齐视觉与语言表示以实现视频细粒度物体理解） [05:50] 📸 PhotoFlow: Agentic 3D Virtual Photography Missions（PhotoFlow：智能体式的3D虚拟摄影任务） [06:29] 🧠 From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills（从原始经验到技能消费：模型生成智能体技能的系统性研究） [07:28] 🎥 VGenST-Bench: A Benchmark for Spatio-Temporal Reasoning via Active Video Synthesis（VGenST-Bench：通过主动视频合成进行时空推理的基准测试） [08:29] ⚡ PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion（PiD：基于像素扩散的快速高分辨率潜在解码） [09:35] 🎨 RankE: End-to-End Post-Training for Discrete Text-to-Image Generation with Decoder Co-Evolution（RankE：面向离散文本到图像生成的端到端后训练与解码器协同进化） [10:30] ✂ ETCHR: Editing To Clarify and Harness Reasoning（ETCHR：通过编辑来阐明和利用推理能力） [11:26] 🎮 SCOPE: Simulating Cross-game Operations in Playable Environments for FPS World Models（SCOPE：在可玩环境中模拟跨游戏操作以构建FPS世界模型） [12:14] 📡 LLMs as Noisy Channels: A Shannon Perspective on Model Capacity and Scaling Laws（大语言模型作为噪声信道：香农视角下的模型容量与缩放定律） [13:03] 🎥 Geo-Align: Video Generation Alignment via Metric Geometry Reward（几何对齐：基于度量几何奖励的视频生成对齐方法） 【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