本期的 15 篇论文如下： [00:22] 💡 MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention（MiniMax-M1：利用闪电注意力高效扩展测试时计算） [01:00] 🔬 Scientists' First Exam: Probing Cognitive Abilities of MLLM via Perception, Understanding, and Reasoning（科学家的首次考试：通过感知、理解和推理来探索多模态大型语言模型的认知能力） [01:47] 🧐 DeepResearch Bench: A Comprehensive Benchmark for Deep Research Agents（DeepResearch Bench：一个面向深度研究Agent的综合性评测基准） [02:28] 🧠 DoTA-RAG: Dynamic of Thought Aggregation RAG（思想动态聚合RAG：一种用于大规模网络知识索引的检索增强生成系统） [03:08] 🧠 Ego-R1: Chain-of-Tool-Thought for Ultra-Long Egocentric Video Reasoning（Ego-R1：用于超长第一视角视频推理的工具链式思考） [03:52] 💡 Wait, We Don't Need to "Wait"! Removing Thinking Tokens Improves Reasoning Efficiency（等等，我们不需要“等等”！移除思考Token提升推理效率） [04:28] 🤖 TaskCraft: Automated Generation of Agentic Tasks（任务工坊：自动化生成自主Agent任务） [05:04] 🤯 Discrete Diffusion in Large Language and Multimodal Models: A Survey（大型语言和多模态模型中的离散扩散：一项综述） [05:42] 🪞 Test3R: Learning to Reconstruct 3D at Test Time（Test3R：测试时学习三维重建） [06:25] 🖼 VGR: Visual Grounded Reasoning（VGR：视觉基础推理） [07:06] 🤖 PersonaFeedback: A Large-scale Human-annotated Benchmark For Personalization（PersonaFeedback：一个大规模的人工标注的个性化基准） [07:50] 🤖 From Real to Synthetic: Synthesizing Millions of Diversified and Complicated User Instructions with Attributed Grounding（从真实到合成：通过属性化基础生成数百万条多样化且复杂的用户指令） [08:32] 🤖 BridgeVLA: Input-Output Alignment for Efficient 3D Manipulation Learning with Vision-Language Models（BridgeVLA: 基于输入-输出对齐的视觉-语言模型高效3D操作学习） [09:11] 🧠 Language Surgery in Multilingual Large Language Models（多语言大型语言模型中的语言手术） [09:44] 🤖 AI Agent Behavioral Science（人工智能体行为科学） 【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] 🖼 Aligned Novel View Image and Geometry Synthesis via Cross-modal Attention Instillation（基于跨模态注意力提炼的对齐新视角图像与几何体合成） [01:02] 🛡 Effective Red-Teaming of Policy-Adherent Agents（有效对抗策略依从型智能体） [01:39] 🔄 The Diffusion Duality（扩散二元性） [02:20] 🤖 LiveCodeBench Pro: How Do Olympiad Medalists Judge LLMs in Competitive Programming?（LiveCodeBench Pro：奥林匹克竞赛奖牌获得者如何评价大型语言模型在算法竞赛中的表现？） [03:09] 🧠 pLSTM: parallelizable Linear Source Transition Mark networks（pLSTM：可并行化的线性源转移马尔可夫网络） [03:50] 🖼 A High-Quality Dataset and Reliable Evaluation for Interleaved Image-Text Generation（高质量的图文交错生成数据集与可靠评估） [04:36] 🧠 Beyond Homogeneous Attention: Memory-Efficient LLMs via Fourier-Approximated KV Cache（超越同质注意力：通过傅里叶近似KV缓存实现内存高效的LLM） [05:16] 🤖 SkillBlender: Towards Versatile Humanoid Whole-Body Loco-Manipulation via Skill Blending（SkillBlender: 面向通用人形机器人全身Loco-操作的技能融合） [06:00] 🧠 SwS: Self-aware Weakness-driven Problem Synthesis in Reinforcement Learning for LLM Reasoning（SwS：基于自感知弱点驱动的问题合成，用于提升大型语言模型在强化学习中的推理能力） [06:42] 🛡 Detecting Harmful Memes with Decoupled Understanding and Guided CoT Reasoning（利用解耦理解和引导式CoT推理检测有害模因） [07:17] 🎬 DeepVideo-R1: Video Reinforcement Fine-Tuning via Difficulty-aware Regressive GRPO（DeepVideo-R1：通过难度感知回归GRPO进行视频强化微调） [07:59] ⚙ Configurable Preference Tuning with Rubric-Guided Synthetic Data（基于规则引导合成数据的可配置偏好调整） [08:41] 👁 ViCrit: A Verifiable Reinforcement Learning Proxy Task for Visual Perception in VLMs（ViCrit：一种用于VLM中视觉感知的可验证强化学习代理任务） [09:29] 🔄 A Self-Refining Framework for Enhancing ASR Using TTS-Synthesized Data（一种利用TTS合成数据增强ASR的自精炼框架） [10:16] 🔍 Dense Retrievers Can Fail on Simple Queries: Revealing The Granularity Dilemma of Embeddings（稠密检索器在简单查询上可能失效：揭示嵌入的粒度困境） 【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(🔥199) | 🤖 Reinforcement Pre-Training（强化预训练） [03:06] TOP2(🔥124) | 🕰 Will It Still Be True Tomorrow? Multilingual Evergreen Question Classification to Improve Trustworthy QA（明日依旧为真吗？多语种常青问题分类以提升可信赖的问答系统） [05:07] TOP3(🔥105) | 🧠 Confidence Is All You Need: Few-Shot RL Fine-Tuning of Language Models（自信即全部：基于语言模型的小样本强化学习微调） [07:23] TOP4(🔥99) | 🩺 Lingshu: A Generalist Foundation Model for Unified Multimodal Medical Understanding and Reasoning（灵枢：用于统一多模态医学理解和推理的通用基础模型） [10:01] TOP5(🔥76) | 🩺 ReasonMed: A 370K Multi-Agent Generated Dataset for Advancing Medical Reasoning（ReasonMed：一个用于推进医学推理的37万多智能体生成数据集） 【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： [00:22] 🩺 ReasonMed: A 370K Multi-Agent Generated Dataset for Advancing Medical Reasoning（ReasonMed：一个用于推进医学推理的37万多智能体生成数据集） [01:12] 🏭 SWE-Factory: Your Automated Factory for Issue Resolution Training Data and Evaluation Benchmarks（SWE-Factory：你的问题解决训练数据和评估基准自动化工厂） [01:55] 🖼 Text-Aware Image Restoration with Diffusion Models（基于扩散模型的文本感知图像修复） [02:36] 🎬 VRBench: A Benchmark for Multi-Step Reasoning in Long Narrative Videos（VRBench：长篇叙事视频中多步骤推理的基准测试） [03:22] 🎬 AniMaker: Automated Multi-Agent Animated Storytelling with MCTS-Driven Clip Generation（AniMaker：基于MCTS驱动的片段生成实现自动化多智能体动画故事叙述） [04:09] 🧮 Domain2Vec: Vectorizing Datasets to Find the Optimal Data Mixture without Training（Domain2Vec：向量化数据集以在无训练情况下找到最优数据混合） [04:52] 🎮 Optimus-3: Towards Generalist Multimodal Minecraft Agents with Scalable Task Experts（Optimus-3: 面向具有可扩展任务专家的通用多模态Minecraft智能体） [05:27] 🧠 Magistral（Magistral：Mistral 的首个推理模型） [06:07] 🤖 AutoMind: Adaptive Knowledgeable Agent for Automated Data Science（AutoMind：面向自动化数据科学的自适应知识型智能体） [06:53] 🎨 PosterCraft: Rethinking High-Quality Aesthetic Poster Generation in a Unified Framework（PosterCraft：重新思考统一框架下的高质量美学海报生成） [07:43] 🎬 VideoDeepResearch: Long Video Understanding With Agentic Tool Using（VideoDeepResearch：使用Agentic工具的长视频理解） [08:22] 🚫 ChineseHarm-Bench: A Chinese Harmful Content Detection Benchmark（ChineseHarm-Bench：一个中文有害内容检测的基准） [09:01] 🎨 CreatiPoster: Towards Editable and Controllable Multi-Layer Graphic Design Generation（CreatiPoster：面向可编辑和可控的多层图形设计生成） [09:48] 💡 Resa: Transparent Reasoning Models via SAEs（Resa：基于稀疏自编码器的透明推理模型） [10:30] 🤖 Ming-Omni: A Unified Multimodal Model for Perception and Generation（Ming-Omni：一个用于感知和生成的统一多模态模型） 【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 13 篇论文如下： [00:23] 🧠 Confidence Is All You Need: Few-Shot RL Fine-Tuning of Language Models（自信即全部：基于语言模型的小样本强化学习微调） [01:07] 🎬 Seedance 1.0: Exploring the Boundaries of Video Generation Models（Seedance 1.0：探索视频生成模型的边界） [01:50] 🥽 PlayerOne: Egocentric World Simulator（PlayerOne：以自我为中心的真实世界模拟器） [02:30] 🎬 Autoregressive Adversarial Post-Training for Real-Time Interactive Video Generation（用于实时交互视频生成的自回归对抗后训练） [03:15] 🤖 ComfyUI-R1: Exploring Reasoning Models for Workflow Generation（ComfyUI-R1：探索用于工作流生成的推理模型） [03:48] 🧠 SeerAttention-R: Sparse Attention Adaptation for Long Reasoning（SeerAttention-R：用于长程推理的稀疏注意力自适应） [04:25] 🧪 SWE-Flow: Synthesizing Software Engineering Data in a Test-Driven Manner（SWE-Flow：以测试驱动的方式合成软件工程数据） [05:10] 🎶 Auto-Regressive vs Flow-Matching: a Comparative Study of Modeling Paradigms for Text-to-Music Generation（自回归 vs. 流匹配：文本到音乐生成建模范式的比较研究） [05:52] 🎭 InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions（InterActHuman：基于布局对齐音频条件的多概念人物动画） [06:34] 🤖 SAFE: Multitask Failure Detection for Vision-Language-Action Models（SAFE：视觉-语言-动作模型的多任务失败检测） [07:14] 🧠 Reparameterized LLM Training via Orthogonal Equivalence Transformation（基于正交等价变换的重参数化LLM训练） [07:56] 👁 MIRAGE: Multimodal foundation model and benchmark for comprehensive retinal OCT image analysis（MIRAGE：用于全面视网膜OCT图像分析的多模态基础模型与基准） [08:39] 🌱 Branched Schrödinger Bridge Matching（分支薛定谔桥匹配） 【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

本期的 15 篇论文如下： [00:22] 🌍 Geopolitical biases in LLMs: what are the "good" and the "bad" countries according to contemporary language models（LLM中的地缘政治偏见：在当代语言模型中，哪些是“好”国家，哪些是“坏”国家？） [01:09] 🤖 RuleReasoner: Reinforced Rule-based Reasoning via Domain-aware Dynamic Sampling（RuleReasoner：基于领域感知动态采样的强化规则推理） [01:48] 🖼 Autoregressive Semantic Visual Reconstruction Helps VLMs Understand Better（自回归语义视觉重建助力视觉-语言模型更好地理解） [02:30] 🎬 Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion（自激：弥合自回归视频扩散中的训练-测试差距） [03:08] 🧮 Solving Inequality Proofs with Large Language Models（利用大型语言模型求解不等式证明） [03:49] 🤖 Look Before You Leap: A GUI-Critic-R1 Model for Pre-Operative Error Diagnosis in GUI Automation（三思而后行：用于GUI自动化中术前错误诊断的GUI-Critic-R1模型） [04:25] 🖼 Frame Guidance: Training-Free Guidance for Frame-Level Control in Video Diffusion Models（帧引导：视频扩散模型中用于帧级别控制的免训练引导） [05:05] 🤖 Aligning Text, Images, and 3D Structure Token-by-Token（逐Token对齐文本、图像与3D结构） [05:51] 🔍 ECoRAG: Evidentiality-guided Compression for Long Context RAG（ECoRAG：证据性引导的长文本RAG压缩） [06:28] 🎬 DiscoVLA: Discrepancy Reduction in Vision, Language, and Alignment for Parameter-Efficient Video-Text Retrieval（DiscoVLA：面向参数高效视频-文本检索的视觉、语言和对齐差异缩减） [07:14] 🖼 Interpretable and Reliable Detection of AI-Generated Images via Grounded Reasoning in MLLMs（基于多模态大语言模型中具身推理的可解释、可靠的AI生成图像检测） [08:06] 🗜 Squeeze3D: Your 3D Generation Model is Secretly an Extreme Neural Compressor（Squeeze3D：你的3D生成模型实际上是一个极致的神经压缩器） [08:46] 🤖 Thinking vs. Doing: Agents that Reason by Scaling Test-Time Interaction（思考与行动：通过扩展测试时交互进行推理的智能体） [09:21] 🧩 MoA: Heterogeneous Mixture of Adapters for Parameter-Efficient Fine-Tuning of Large Language Models（MoA：用于大语言模型参数高效微调的异构适配器混合） [09:58] 📚 Institutional Books 1.0: A 242B token dataset from Harvard Library's collections, refined for accuracy and usability（机构书籍1.0：来自哈佛图书馆馆藏的2420亿token数据集，经过精确化处理，具有更高的准确性和可用性） 【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： [00:21] 🤖 Reinforcement Pre-Training（强化预训练） [01:01] 🩺 Lingshu: A Generalist Foundation Model for Unified Multimodal Medical Understanding and Reasoning（灵枢：用于统一多模态医学理解与推理的通用基础模型） [01:42] 📱 MiniCPM4: Ultra-Efficient LLMs on End Devices（MiniCPM4：终端设备上的超高效大型语言模型） [02:30] 🛡 Saffron-1: Towards an Inference Scaling Paradigm for LLM Safety Assurance（Saffron-1：面向LLM安全保障的推理扩展范式） [03:07] 🖼 OneIG-Bench: Omni-dimensional Nuanced Evaluation for Image Generation（OneIG-Bench：用于图像生成的全方位细致评估） [03:49] 🏠 SpatialLM: Training Large Language Models for Structured Indoor Modeling（SpatialLM：用于结构化室内建模的大型语言模型训练） [04:35] 🤖 Astra: Toward General-Purpose Mobile Robots via Hierarchical Multimodal Learning（Astra：通过分层多模态学习迈向通用移动机器人） [05:14] 🖼 Rethinking Cross-Modal Interaction in Multimodal Diffusion Transformers（重新思考多模态扩散Transformer中的跨模态交互） [06:02] 🖼 Image Reconstruction as a Tool for Feature Analysis（图像重建作为特征分析的工具） [06:41] 🧪 GTR-CoT: Graph Traversal as Visual Chain of Thought for Molecular Structure Recognition（GTR-CoT：用于分子结构识别的图遍历视觉链式思考） [07:22] 📉 Through the Valley: Path to Effective Long CoT Training for Small Language Models（穿越低谷：小语言模型有效长链思考训练之路） [08:04] 🤖 BitVLA: 1-bit Vision-Language-Action Models for Robotics Manipulation（BitVLA：用于机器人操作的1-bit视觉-语言-动作模型） [08:42] 🧠 Pre-trained Large Language Models Learn Hidden Markov Models In-context（预训练大语言模型上下文学习隐马尔可夫模型） [09:25] 🤔 The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity（思考的幻觉：通过问题复杂性的视角理解推理模型的优势与局限性） [10:04] 🧠 CCI4.0: A Bilingual Pretraining Dataset for Enhancing Reasoning in Large Language Models（CCI4.0：用于增强大型语言模型推理能力的双语预训练数据集） 【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] 🕰 Will It Still Be True Tomorrow? Multilingual Evergreen Question Classification to Improve Trustworthy QA（明日依旧为真吗？多语种常青问题分类以提升可信赖的问答系统） [01:04] 🎧 FusionAudio-1.2M: Towards Fine-grained Audio Captioning with Multimodal Contextual Fusion（FusionAudio-1.2M：通过多模态上下文融合实现细粒度音频描述） [01:46] 🤔 Is Extending Modality The Right Path Towards Omni-Modality?（扩展模态是通向全模态的正确路径吗？） [02:23] 🎤 Audio-Aware Large Language Models as Judges for Speaking Styles（音频感知大语言模型作为语音风格的评判者） [03:00] 🧠 Leveraging Self-Attention for Input-Dependent Soft Prompting in LLMs（利用自注意力机制实现LLM中输入依赖的软提示） [03:36] 🖼 STARFlow: Scaling Latent Normalizing Flows for High-resolution Image Synthesis（STARFlow：用于高分辨率图像合成的可扩展隐式归一化流） [04:17] 🧠 MORSE-500: A Programmatically Controllable Video Benchmark to Stress-Test Multimodal Reasoning（MORSE-500：一个程序化可控的视频基准，用于压力测试多模态推理） [04:56] 🧩 PartCrafter: Structured 3D Mesh Generation via Compositional Latent Diffusion Transformers（PartCrafter: 基于组合潜在扩散Transformer的结构化3D网格生成） [05:33] 🤝 Bridging Perspectives: A Survey on Cross-view Collaborative Intelligence with Egocentric-Exocentric Vision（桥接视角：关于以自我中心和以外部视角进行跨视角协同智能的调查） [06:18] 🤖 3DFlowAction: Learning Cross-Embodiment Manipulation from 3D Flow World Model（3DFlowAction：从3D流动世界模型中学习跨具身操作） [07:00] 🚀 Prefix Grouper: Efficient GRPO Training through Shared-Prefix Forward（前缀分组器：通过共享前缀前向传播实现高效的GRPO训练） [07:45] 🧪 CodeContests+: High-Quality Test Case Generation for Competitive Programming（CodeContests+: 针对竞争性编程的高质量测试用例生成） [08:35] 🤖 Splatting Physical Scenes: End-to-End Real-to-Sim from Imperfect Robot Data（物理场景的点云重建：从不完美的机器人数据实现端到端的真实到仿真） [09:13] 🤖 HASHIRU: Hierarchical Agent System for Hybrid Intelligent Resource Utilization（HASHIRU：用于混合智能资源利用的分层代理系统） [09:55] 🧠 Truth in the Few: High-Value Data Selection for Efficient Multi-Modal Reasoning（少量真知：用于高效多模态推理的高价值数据选择） 【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： [00:47] TOP1(🔥169) | 💡 Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning（反思、重试、奖励：通过强化学习实现LLM的自我提升） [02:55] TOP2(🔥130) | 🧠 Beyond the 80/20 Rule: High-Entropy Minority Tokens Drive Effective Reinforcement Learning for LLM Reasoning（超越80/20法则：高熵少数Token驱动LLM推理的有效强化学习） [05:06] TOP3(🔥115) | 🧠 ProRL: Prolonged Reinforcement Learning Expands Reasoning Boundaries in Large Language Models（ProRL：延长的强化学习拓展大型语言模型的推理边界） [07:27] TOP4(🔥89) | 🧠 AlphaOne: Reasoning Models Thinking Slow and Fast at Test Time（AlphaOne：测试时驱动大模型进行快慢思考的推理框架） [09:46] TOP5(🔥75) | 🤖 SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics（SmolVLA：一种用于经济高效型机器人的视觉-语言-动作模型） 【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] 🤖 ComfyUI-Copilot: An Intelligent Assistant for Automated Workflow Development（ComfyUI-Copilot：用于自动化工作流开发的智能助手） [00:59] 🎬 SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training（SeedVR2：基于扩散对抗后训练的单步视频修复） [01:39] 🤖 RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics（RoboRefer：面向机器人视觉-语言模型中基于推理的空间指代） [02:26] 🚄 Diagonal Batching Unlocks Parallelism in Recurrent Memory Transformers for Long Contexts（对角批量处理解锁循环记忆Transformer在长文本中的并行性） [03:08] 🧠 Video World Models with Long-term Spatial Memory（基于长期空间记忆的视频世界模型） [03:46] 🌐 Surfer-H Meets Holo1: Cost-Efficient Web Agent Powered by Open Weights（Surfer-H：基于开放权重的低成本高效能Web代理） [04:32] ⚛ VideoREPA: Learning Physics for Video Generation through Relational Alignment with Foundation Models（VideoREPA：通过与基础模型的关系对齐学习物理知识以用于视频生成） [05:17] 📚 Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models（Qwen3 Embedding：通过基础模型推进文本嵌入和重排序） [05:55] 🔢 AV-Reasoner: Improving and Benchmarking Clue-Grounded Audio-Visual Counting for MLLMs（AV-Reasoner：提升多模态大型语言模型线索引导的音视频计数能力及构建基准） [06:38] 🌌 Aligning Latent Spaces with Flow Priors（利用流动先验对齐隐空间） [07:22] 📚 The Common Pile v0.1: An 8TB Dataset of Public Domain and Openly Licensed Text（Common Pile v0.1：一个包含公共领域和开放许可文本的8TB数据集） [08:15] 🧠 Unfolding Spatial Cognition: Evaluating Multimodal Models on Visual Simulations（展开空间认知：评估视觉模拟上的多模态模型） [09:06] 🧠 StreamBP: Memory-Efficient Exact Backpropagation for Long Sequence Training of LLMs（StreamBP：LLM长序列训练的内存高效精确反向传播） [09:48] 🚀 Inference-Time Hyper-Scaling with KV Cache Compression（基于KV缓存压缩的推理时超 масштабирование） [10:30] 👁 SparseMM: Head Sparsity Emerges from Visual Concept Responses in MLLMs（SparseMM：多模态大型语言模型中视觉概念响应涌现的 Head 稀疏性） 【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： [00:21] 🤖 MiMo-VL Technical Report（MiMo-VL 技术报告） [01:14] 💡 Advancing Multimodal Reasoning: From Optimized Cold Start to Staged Reinforcement Learning（多模态推理进阶：从优化冷启动到分阶段强化学习） [01:57] 🤖 AmbiK: Dataset of Ambiguous Tasks in Kitchen Environment（AmbiK：厨房环境中歧义性任务数据集） [02:42] 🔄 CASS: Nvidia to AMD Transpilation with Data, Models, and Benchmark（CASS：基于数据、模型和基准的Nvidia到AMD的转译） [03:20] 🔬 A Controllable Examination for Long-Context Language Models（长文本语言模型的可控评测） [04:14] ✍ SuperWriter: Reflection-Driven Long-Form Generation with Large Language Models（SuperWriter：基于反思机制的LLM长文本生成） [04:55] 🤔 MMR-V: What's Left Unsaid? A Benchmark for Multimodal Deep Reasoning in Videos（MMR-V：未尽之言？视频中多模态深度推理的基准测试） [05:37] 🔎 Establishing Trustworthy LLM Evaluation via Shortcut Neuron Analysis（基于捷径神经元分析建立可信赖的大语言模型评估体系） [06:17] 🌐 Voyager: Long-Range and World-Consistent Video Diffusion for Explorable 3D Scene Generation（航行者：用于可探索3D场景生成的长程和世界一致的视频扩散） [07:04] 💡 IllumiCraft: Unified Geometry and Illumination Diffusion for Controllable Video Generation（IllumiCraft：用于可控视频生成的统一几何与光照扩散） [07:49] 🎨 Image Editing As Programs with Diffusion Models（扩散模型驱动的图像编辑程序化） [08:27] 🎯 $Ψ$-Sampler: Initial Particle Sampling for SMC-Based Inference-Time Reward Alignment in Score Models（Ψ-采样器：基于SMC的评分模型中用于推理时奖励对齐的初始粒子采样） [09:04] 📊 VisCoder: Fine-Tuning LLMs for Executable Python Visualization Code Generation（VisCoder：微调大型语言模型以生成可执行的Python可视化代码） [09:48] 💡 Unleashing the Reasoning Potential of Pre-trained LLMs by Critique Fine-Tuning on One Problem（通过在单一问题上进行评价微调来释放预训练大型语言模型的推理潜力） [10:28] 🎬 LayerFlow: A Unified Model for Layer-aware Video Generation（LayerFlow：一种用于分层感知视频生成的统一模型） 【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] 💡 Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning（反思、重试、奖励：通过强化学习实现LLM的自我提升） [01:09] 🖼 UniWorld: High-Resolution Semantic Encoders for Unified Visual Understanding and Generation（UniWorld：用于统一视觉理解与生成的高分辨率语义编码器） [01:53] 🧪 CSVQA: A Chinese Multimodal Benchmark for Evaluating STEM Reasoning Capabilities of VLMs（CSVQA：一个用于评估视觉语言模型STEM推理能力的中文多模态基准） [02:37] 🤖 VS-Bench: Evaluating VLMs for Strategic Reasoning and Decision-Making in Multi-Agent Environments（VS-Bench：评估视觉语言模型在多智能体环境中进行战略推理和决策的能力） [03:15] 🧠 SynthRL: Scaling Visual Reasoning with Verifiable Data Synthesis（SynthRL：利用可验证数据合成扩展视觉推理） [04:01] 🧠 OmniSpatial: Towards Comprehensive Spatial Reasoning Benchmark for Vision Language Models（OmniSpatial：面向视觉语言模型的综合空间推理基准） [04:47] 🤖 Visual Embodied Brain: Let Multimodal Large Language Models See, Think, and Control in Spaces（视觉具身大脑：让多模态大型语言模型在空间中观察、思考和控制） [05:24] 👀 MotionSight: Boosting Fine-Grained Motion Understanding in Multimodal LLMs（MotionSight：提升多模态大型语言模型中的细粒度运动理解能力） [06:10] 🤖 GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents（GUI-Actor：面向GUI代理的无坐标视觉定位） [06:48] 🎬 Sparse-vDiT: Unleashing the Power of Sparse Attention to Accelerate Video Diffusion Transformers（Sparse-vDiT：释放稀疏注意力以加速视频扩散Transformer） [07:27] 🧩 DINGO: Constrained Inference for Diffusion LLMs（DINGO：扩散LLM的约束推理） [08:10] 🎬 AnimeShooter: A Multi-Shot Animation Dataset for Reference-Guided Video Generation（AnimeShooter：一个用于参考引导视频生成的多镜头动画数据集） [08:47] 🤖 Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics（Robot-R1：用于增强机器人具身推理的强化学习） [09:35] 🤖 Co-Evolving LLM Coder and Unit Tester via Reinforcement Learning（基于强化学习的LLM代码生成器与单元测试器协同进化） [10:21] 🖼 Native-Resolution Image Synthesis（原生分辨率图像合成） 【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