本期的 16 篇论文如下： [00:24] 🤔 Agent-R: Training Language Model Agents to Reflect via Iterative Self-Training（Agent-R：通过迭代自训练使语言模型代理具备反思能力） [00:59] 🎥 MMVU: Measuring Expert-Level Multi-Discipline Video Understanding（MMVU：专家级多学科视频理解的测量） [01:35] ⚖ Demons in the Detail: On Implementing Load Balancing Loss for Training Specialized Mixture-of-Expert Models（细节中的魔鬼：实现负载均衡损失以训练专业化专家混合模型） [02:17] 🤖 UI-TARS: Pioneering Automated GUI Interaction with Native Agents（UI-TARS：开创性的原生GUI交互自动化代理） [02:55] 🤖 Mobile-Agent-E: Self-Evolving Mobile Assistant for Complex Tasks（Mobile-Agent-E：面向复杂任务的自我进化移动助手） [03:31] 🎨 TokenVerse: Versatile Multi-concept Personalization in Token Modulation Space（TokenVerse：基于令牌调制空间的多概念个性化方法） [04:14] 🏆 InternLM-XComposer2.5-Reward: A Simple Yet Effective Multi-Modal Reward Model（InternLM-XComposer2.5-Reward：一种简单而有效的多模态奖励模型） [04:57] 🎥 Video Depth Anything: Consistent Depth Estimation for Super-Long Videos（视频深度任意：超长视频的一致性深度估计） [05:39] 🤖 Learn-by-interact: A Data-Centric Framework for Self-Adaptive Agents in Realistic Environments（通过交互学习：现实环境中自适应代理的数据中心框架） [06:18] 🧠 Reasoning Language Models: A Blueprint（推理语言模型：蓝图） [06:58] 🎨 Hunyuan3D 2.0: Scaling Diffusion Models for High Resolution Textured 3D Assets Generation（Hunyuan3D 2.0：扩展扩散模型以生成高分辨率纹理3D资产） [07:40] 🧠 Condor: Enhance LLM Alignment with Knowledge-Driven Data Synthesis and Refinement（Condor：通过知识驱动的数据合成与精炼增强大语言模型的对齐能力） [08:21] 🎥 EMO2: End-Effector Guided Audio-Driven Avatar Video Generation（EMO2：基于末端执行器引导的音频驱动虚拟形象视频生成） [08:55] 🎥 Go-with-the-Flow: Motion-Controllable Video Diffusion Models Using Real-Time Warped Noise（随流而动：使用实时扭曲噪声实现运动可控的视频扩散模型） [09:32] 🌍 GPS as a Control Signal for Image Generation（GPS作为图像生成的控制信号） [10:11] ⚠ MSTS: A Multimodal Safety Test Suite for Vision-Language Models（MSTS：面向视觉-语言模型的多模态安全测试套件） 【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 2 篇论文如下： [00:27] 🎮 GameFactory: Creating New Games with Generative Interactive Videos（GameFactory：利用生成式交互视频创造新游戏） [01:00] 🎥 VideoWorld: Exploring Knowledge Learning from Unlabeled Videos（VideoWorld：从未标注视频中探索知识学习） 【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

本期的 9 篇论文如下： [00:28] 🧠 Evolving Deeper LLM Thinking（演化更深层次的LLM思维） [01:04] 🔍 PaSa: An LLM Agent for Comprehensive Academic Paper Search（PaSa：基于大语言模型的全面学术论文搜索代理） [01:41] 🎨 Textoon: Generating Vivid 2D Cartoon Characters from Text Descriptions（Textoon：基于文本描述生成生动的2D卡通角色） [02:18] 🤔 Multiple Choice Questions: Reasoning Makes Large Language Models (LLMs) More Self-Confident Even When They Are Wrong（多项选择题：推理使大型语言模型（LLMs）更加自信，即使它们是错误的） [02:53] 🌍 Bridging Language Barriers in Healthcare: A Study on Arabic LLMs（跨越医疗语言障碍：阿拉伯语大语言模型研究） [03:28] 🎬 X-Dyna: Expressive Dynamic Human Image Animation（X-Dyna：基于扩散模型的动态人体图像动画生成） [04:04] 🎙 HiFi-SR: A Unified Generative Transformer-Convolutional Adversarial Network for High-Fidelity Speech Super-Resolution（HiFi-SR：一种用于高保真语音超分辨率的统一生成式Transformer-卷积对抗网络） [04:43] 🔍 ComplexFuncBench: Exploring Multi-Step and Constrained Function Calling under Long-Context Scenario（ComplexFuncBench：探索长上下文场景下的多步和约束函数调用） [05:23] 🎭 GaussianAvatar-Editor: Photorealistic Animatable Gaussian Head Avatar Editor（高斯头像编辑器：可动画化的高斯头部头像编辑器） 【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(🔥258) | ⚡ MiniMax-01: Scaling Foundation Models with Lightning Attention（MiniMax-01：基于闪电注意力机制扩展基础模型） [02:52] TOP2(🔥77) | 📊 The Lessons of Developing Process Reward Models in Mathematical Reasoning（数学推理中过程奖励模型开发的经验教训） [05:06] TOP3(🔥66) | 🧠 Tensor Product Attention Is All You Need（张量积注意力机制是关键） [06:49] TOP4(🔥64) | 🧠 Enabling Scalable Oversight via Self-Evolving Critic（通过自进化批评实现可扩展监督） [08:58] TOP5(🔥61) | 🎥 VideoRAG: Retrieval-Augmented Generation over Video Corpus（VideoRAG：基于视频语料库的检索增强生成） 【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

本期的 12 篇论文如下： [00:26] 🧠 OmniThink: Expanding Knowledge Boundaries in Machine Writing through Thinking（OmniThink：通过思考扩展机器写作的知识边界） [01:06] 🔍 Inference-Time Scaling for Diffusion Models beyond Scaling Denoising Steps（扩散模型推理时扩展：超越去噪步骤的扩展） [01:37] 🩺 Exploring the Inquiry-Diagnosis Relationship with Advanced Patient Simulators（探索高级患者模拟器中的问诊与诊断关系） [02:09] 🎨 SynthLight: Portrait Relighting with Diffusion Model by Learning to Re-render Synthetic Faces（SynthLight：基于扩散模型的人像重光照技术——通过重新渲染合成人脸学习） [02:48] 🤖 FAST: Efficient Action Tokenization for Vision-Language-Action Models（FAST：视觉-语言-动作模型的高效动作标记化方法） [03:23] 🔍 Learnings from Scaling Visual Tokenizers for Reconstruction and Generation（从视觉分词器的扩展中学习重建与生成） [04:01] 🧠 Towards Large Reasoning Models: A Survey of Reinforced Reasoning with Large Language Models（迈向大型推理模型：基于大语言模型的强化推理研究综述） [04:35] 🧹 The Heap: A Contamination-Free Multilingual Code Dataset for Evaluating Large Language Models（堆：一个无污染的多语言代码数据集用于评估大型语言模型） [05:15] 🤖 RLHS: Mitigating Misalignment in RLHF with Hindsight Simulation（RLHS：通过事后模拟缓解RLHF中的错位问题） [05:54] 🎨 AnyStory: Towards Unified Single and Multiple Subject Personalization in Text-to-Image Generation（AnyStory：面向统一单主体与多主体个性化的文本到图像生成） [06:36] 🎨 CaPa: Carve-n-Paint Synthesis for Efficient 4K Textured Mesh Generation（CaPa：用于高效4K纹理网格生成的雕刻与绘制合成框架） [07:18] 🎥 Do generative video models learn physical principles from watching videos?（生成视频模型是否通过观看视频学习物理原理？） 【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 9 篇论文如下： [00:25] 📊 MMDocIR: Benchmarking Multi-Modal Retrieval for Long Documents（MMDocIR：长文档多模态检索的基准测试） [01:06] 🏙 CityDreamer4D: Compositional Generative Model of Unbounded 4D Cities（CityDreamer4D：无界4D城市的组合生成模型） [01:49] 🎥 RepVideo: Rethinking Cross-Layer Representation for Video Generation（RepVideo：重新思考视频生成中的跨层表示） [02:30] 📚 Towards Best Practices for Open Datasets for LLM Training（面向LLM训练的最佳开放数据集实践） [03:11] 🎵 XMusic: Towards a Generalized and Controllable Symbolic Music Generation Framework（XMusic：迈向通用且可控的符号音乐生成框架） [03:46] 🔒 Trusted Machine Learning Models Unlock Private Inference for Problems Currently Infeasible with Cryptography（可信机器学习模型解锁当前密码学无法解决的隐私推理问题） [04:23] 🔍 Parameter-Inverted Image Pyramid Networks for Visual Perception and Multimodal Understanding（参数倒置图像金字塔网络用于视觉感知与多模态理解） [05:03] 🎨 Multimodal LLMs Can Reason about Aesthetics in Zero-Shot（多模态大语言模型在零样本条件下对美学的推理能力） [05:39] 🎥 Ouroboros-Diffusion: Exploring Consistent Content Generation in Tuning-free Long Video Diffusion（Ouroboros-Diffusion：探索无调优长视频扩散中的一致内容生成） 【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

本期的 15 篇论文如下： [00:23] ⚡ MiniMax-01: Scaling Foundation Models with Lightning Attention（MiniMax-01：基于闪电注意力机制扩展基础模型） [01:04] 🖼 Padding Tone: A Mechanistic Analysis of Padding Tokens in T2I Models（填充符：T2I模型中填充符的机制分析） [01:44] 🎨 MangaNinja: Line Art Colorization with Precise Reference Following（MangaNinja：基于精确参考跟随的线稿上色） [02:21] 🧬 A Multi-Modal AI Copilot for Single-Cell Analysis with Instruction Following（基于指令跟随的多模态AI副驾驶用于单细胞分析） [02:57] 🎥 Diffusion Adversarial Post-Training for One-Step Video Generation（扩散对抗后训练用于一步视频生成） [03:35] 🎲 PokerBench: Training Large Language Models to become Professional Poker Players（PokerBench：训练大型语言模型成为专业扑克玩家） [04:11] 🎨 FramePainter: Endowing Interactive Image Editing with Video Diffusion Priors（FramePainter：赋予交互式图像编辑视频扩散先验） [04:52] 🎨 Democratizing Text-to-Image Masked Generative Models with Compact Text-Aware One-Dimensional Tokens（使用紧凑的文本感知一维标记实现文本到图像掩码生成模型的民主化） [05:30] 🔍 Omni-RGPT: Unifying Image and Video Region-level Understanding via Token Marks（Omni-RGPT：通过标记统一图像和视频的区域级理解） [06:07] 🔍 Enhancing Automated Interpretability with Output-Centric Feature Descriptions（通过输出中心特征描述增强自动可解释性） [06:49] 📚 OpenCSG Chinese Corpus: A Series of High-quality Chinese Datasets for LLM Training（OpenCSG中文语料库：一系列用于大语言模型训练的高质量中文数据集） [07:27] 📹 Tarsier2: Advancing Large Vision-Language Models from Detailed Video Description to Comprehensive Video Understanding（Tarsier2：从详细视频描述到全面视频理解的大型视觉语言模型进阶） [08:04] 🤔 HALoGEN: Fantastic LLM Hallucinations and Where to Find Them（HALoGEN：大型语言模型的幻觉及其发现之处） [08:43] 🤖 Potential and Perils of Large Language Models as Judges of Unstructured Textual Data（大型语言模型作为非结构化文本数据评判者的潜力与风险） [09:23] 🚫 AfriHate: A Multilingual Collection of Hate Speech and Abusive Language Datasets for African Languages（AfriHate：非洲语言中仇恨言论和侮辱性语言的多语言数据集集合） 【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： [00:24] 📊 The Lessons of Developing Process Reward Models in Mathematical Reasoning（数学推理中过程奖励模型开发的经验教训） [01:10] 🧠 Tensor Product Attention Is All You Need（张量积注意力机制是关键） [01:53] 🤖 $\text{Transformer}^2$: Self-adaptive LLMs（Transformer²：自适应大型语言模型） [02:34] 🎥 VideoAuteur: Towards Long Narrative Video Generation（视频导演：面向长篇叙事视频生成） [03:22] 🌐 WebWalker: Benchmarking LLMs in Web Traversal（WebWalker：在网页遍历中评估大语言模型） [04:08] 🩺 O1 Replication Journey -- Part 3: Inference-time Scaling for Medical Reasoning（O1复现之旅 -- 第三部分：医疗推理的推理时间扩展） [04:50] 🗣 MinMo: A Multimodal Large Language Model for Seamless Voice Interaction（MinMo：一种用于无缝语音交互的多模态大型语言模型） [05:41] 🔧 SPAM: Spike-Aware Adam with Momentum Reset for Stable LLM Training（SPAM：带动量重置的尖峰感知Adam优化器用于稳定LLM训练） [06:25] 🩺 BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature（BIOMEDICA：一个开放的生物医学图像-文本档案、数据集及从科学文献中衍生出的视觉语言模型） [07:15] 🧪 ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning（ChemAgent：大型语言模型中自更新库提升化学推理能力） [07:51] 🌐 UnCommon Objects in 3D（三维中的不常见物体） 【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： [00:24] 🤖 OmniManip: Towards General Robotic Manipulation via Object-Centric Interaction Primitives as Spatial Constraints（OmniManip：通过以对象为中心的交互原语作为空间约束实现通用机器人操作） [01:02] 🎥 VideoRAG: Retrieval-Augmented Generation over Video Corpus（VideoRAG：基于视频语料库的检索增强生成） [01:38] 🎥 OVO-Bench: How Far is Your Video-LLMs from Real-World Online Video Understanding?（OVO-Bench：你的视频大语言模型离现实世界在线视频理解还有多远？） [02:26] 🧠 LlamaV-o1: Rethinking Step-by-step Visual Reasoning in LLMs（LlamaV-o1：重新思考大语言模型中的逐步视觉推理） [03:01] 🧠 Enabling Scalable Oversight via Self-Evolving Critic（通过自进化批评实现可扩展监督） [03:34] 🎥 ConceptMaster: Multi-Concept Video Customization on Diffusion Transformer Models Without Test-Time Tuning（ConceptMaster：无需测试时调优的扩散变换器模型上的多概念视频定制） [04:09] 🎥 Multi-subject Open-set Personalization in Video Generation（多主体开放集个性化视频生成） [04:47] 🔍 ReFocus: Visual Editing as a Chain of Thought for Structured Image Understanding（ReFocus：视觉编辑作为结构化图像理解的思维链） [05:23] 🤖 Multiagent Finetuning: Self Improvement with Diverse Reasoning Chains（多智能体微调：通过多样化推理链实现自我改进） [06:00] 🦠 Infecting Generative AI With Viruses（感染生成式人工智能的病毒） 【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： [00:39] TOP1(🔥173) | 🧠 rStar-Math: Small LLMs Can Master Math Reasoning with Self-Evolved Deep Thinking（rStar-Math：小型语言模型通过自我进化的深度思考掌握数学推理） [03:03] TOP2(🔥71) | 🚀 REINFORCE++: A Simple and Efficient Approach for Aligning Large Language Models（REINFORCE++：一种简单高效的大语言模型对齐方法） [05:17] TOP3(🔥63) | 🧠 Towards System 2 Reasoning in LLMs: Learning How to Think With Meta Chain-of-Though（迈向LLMs中的系统2推理：学习如何通过元思维链进行思考） [07:35] TOP4(🔥57) | 🔬 Agent Laboratory: Using LLM Agents as Research Assistants（智能体实验室：利用LLM智能体作为研究助手） [09:41] TOP5(🔥52) | 🌍 Cosmos World Foundation Model Platform for Physical AI（物理AI的宇宙世界基础模型平台） 【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 7 篇论文如下： [00:23] 🧠 The GAN is dead; long live the GAN! A Modern GAN Baseline（GAN已死；GAN万岁！一个现代的GAN基线） [01:02] 🎥 An Empirical Study of Autoregressive Pre-training from Videos（视频自回归预训练的实证研究） [01:49] 🚗 Are VLMs Ready for Autonomous Driving? An Empirical Study from the Reliability, Data, and Metric Perspectives（视觉语言模型是否准备好用于自动驾驶？从可靠性、数据和指标角度的实证研究） [02:32] 🔍 On Computational Limits and Provably Efficient Criteria of Visual Autoregressive Models: A Fine-Grained Complexity Analysis（关于视觉自回归模型的计算极限与可证明高效准则：细粒度复杂度分析） [03:14] 🌍 Centurio: On Drivers of Multilingual Ability of Large Vision-Language Model（Centurio：大型视觉语言模型多语言能力的驱动因素研究） [03:50] 📜 Building Foundations for Natural Language Processing of Historical Turkish: Resources and Models（构建历史土耳其语自然语言处理的基础：资源与模型） [04:26] 🔒 Entropy-Guided Attention for Private LLMs（熵引导注意力机制在私有大语言模型中的应用） 【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 11 篇论文如下： [00:25] 🧠 rStar-Math: Small LLMs Can Master Math Reasoning with Self-Evolved Deep Thinking（rStar-Math：小型语言模型通过自我进化的深度思考掌握数学推理） [01:06] 🧠 URSA: Understanding and Verifying Chain-of-thought Reasoning in Multimodal Mathematics（URSA：理解与验证多模态数学中的思维链推理） [01:45] 🧠 Towards System 2 Reasoning in LLMs: Learning How to Think With Meta Chain-of-Though（迈向LLMs中的系统2推理：学习如何通过元思维链进行思考） [02:25] 🔬 Agent Laboratory: Using LLM Agents as Research Assistants（智能体实验室：利用LLM智能体作为研究助手） [03:02] 🔬 LLM4SR: A Survey on Large Language Models for Scientific Research（LLM4SR：大语言模型在科学研究中的应用综述） [03:44] 🔍 GeAR: Generation Augmented Retrieval（生成增强检索） [04:22] 🤖 InfiGUIAgent: A Multimodal Generalist GUI Agent with Native Reasoning and Reflection（InfiGUIAgent：具备原生推理与反思能力的多模态通用GUI代理） [05:02] 🐦 Chirpy3D: Continuous Part Latents for Creative 3D Bird Generation（Chirpy3D：基于连续部件潜变量的创造性3D鸟类生成） [05:41] 🖼 SPAR3D: Stable Point-Aware Reconstruction of 3D Objects from Single Images（SPAR3D：基于单图像的稳定点感知三维物体重建） [06:17] 🧠 DPO Kernels: A Semantically-Aware, Kernel-Enhanced, and Divergence-Rich Paradigm for Direct Preference Optimization（DPO核：一种语义感知、核增强且富含散度的直接偏好优化范式） [06:55] 🌳 EpiCoder: Encompassing Diversity and Complexity in Code Generation（EpiCoder：在代码生成中涵盖多样性与复杂性） 【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