本期的 15 篇论文如下： [00:21] 🖼 VCode: a Multimodal Coding Benchmark with SVG as Symbolic Visual Representation（VCode：以SVG为符号视觉表征的多模态代码评测基准） [01:12] 🧠 When Visualizing is the First Step to Reasoning: MIRA, a Benchmark for Visual Chain-of-Thought（当可视化成为推理第一步：MIRA视觉思维链基准测试） [01:48] ⚖ When Modalities Conflict: How Unimodal Reasoning Uncertainty Governs Preference Dynamics in MLLMs（当模态冲突时：单模态推理不确定性如何左右多模态大模型的偏好） [02:36] 🪙 Shorter but not Worse: Frugal Reasoning via Easy Samples as Length Regularizers in Math RLVR（更短却更好：用易题作长度正则化实现节俭推理） [03:11] 🧠 Brain-IT: Image Reconstruction from fMRI via Brain-Interaction Transformer（Brain-IT：基于脑交互Transformer的fMRI图像重建） [03:49] 👁 Don't Blind Your VLA: Aligning Visual Representations for OOD Generalization（别让VLA变盲：对齐视觉表征实现分布外泛化） [04:33] 🎨 LTD-Bench: Evaluating Large Language Models by Letting Them Draw（LTD-Bench：让大模型画画来测评空间推理力） [05:15] 🤖 TWIST2: Scalable, Portable, and Holistic Humanoid Data Collection System（TWIST2：可扩展、便携且全面的人形机器人数据采集系统） [06:01] 🗜 Can Visual Input Be Compressed? A Visual Token Compression Benchmark for Large Multimodal Models（视觉输入能否被压缩？面向大型多模态模型的视觉Token压缩基准） [06:46] 🏆 CodeClash: Benchmarking Goal-Oriented Software Engineering（CodeClash：面向目标的软件工程基准测试） [07:29] 🎭 VidEmo: Affective-Tree Reasoning for Emotion-Centric Video Foundation Models（VidEmo：面向情感中心视频基础模型的情感树推理） [08:03] 🧠 BRAINS: A Retrieval-Augmented System for Alzheimer's Detection and Monitoring（BRAINS：用于阿尔茨海默病检测与监测的检索增强系统） [08:42] 📊 ChartM$^3$: A Multi-Stage Code-Driven Pipeline for Constructing Multi-Dimensional and Multi-Step Visual Reasoning Data in Chart Comprehension（ChartM³：面向图表理解的多维多步视觉推理数据构建的多阶段代码驱动流水线） [09:45] 📊 TabDSR: Decompose, Sanitize, and Reason for Complex Numerical Reasoning in Tabular Data（TabDSR：表格复杂数值推理的分解-清洗-推理框架） [10:17] 🤖 iFlyBot-VLA Technical Report（iFlyBot-VLA技术报告：大规模视觉-语言-动作模型新框架） 【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 15 篇论文如下： [00:23] 🧠 Every Activation Boosted: Scaling General Reasoner to 1 Trillion Open Language Foundation（全激活赋能：将通用推理模型扩展到万亿参数的开放语言基座） [01:03] 👁 The Underappreciated Power of Vision Models for Graph Structural Understanding（被低估的视觉模型在图结构理解中的强大潜能） [01:38] 💡 UniLumos: Fast and Unified Image and Video Relighting with Physics-Plausible Feedback（UniLumos：基于物理可信反馈的统一图像与视频快速重打光框架） [02:37] 🕸 Generalizing Test-time Compute-optimal Scaling as an Optimizable Graph（将测试时计算最优扩展泛化为可优化的图） [03:11] 🤖 PHUMA: Physically-Grounded Humanoid Locomotion Dataset（PHUMA：基于物理的人形机器人运动数据集） [03:48] 🔭 ToolScope: An Agentic Framework for Vision-Guided and Long-Horizon Tool Use（ToolScope：面向视觉引导与长程工具使用的智能体框架） [04:30] 🧠 UniREditBench: A Unified Reasoning-based Image Editing Benchmark（UniREditBench：基于统一推理的图像编辑评测基准） [05:23] 🔄 ROVER: Benchmarking Reciprocal Cross-Modal Reasoning for Omnimodal Generation（ROVER：统一多模态生成中的双向跨模态推理基准测试） [06:04] 🌍 Towards Universal Video Retrieval: Generalizing Video Embedding via Synthesized Multimodal Pyramid Curriculum（迈向通用视频检索：通过合成多模态金字塔课程泛化视频嵌入） [06:44] 🌍 World Simulation with Video Foundation Models for Physical AI（基于视频基础模型的物理AI世界仿真） [07:20] 🧠 TIR-Bench: A Comprehensive Benchmark for Agentic Thinking-with-Images Reasoning（TIR-Bench：面向“图像思维”智能体推理的综合评测基准） [08:03] 🧭 NaviTrace: Evaluating Embodied Navigation of Vision-Language Models（NaviTrace：评测视觉-语言模型具身导航能力） [08:45] 📏 Do Vision-Language Models Measure Up? Benchmarking Visual Measurement Reading with MeasureBench（视觉语言模型能否胜任？基于MeasureBench的视觉测量读数基准测试） [09:23] 🧭 Actial: Activate Spatial Reasoning Ability of Multimodal Large Language Models（激活多模态大语言模型的空间推理能力） [10:07] 🐱 LongCat-Flash-Omni Technical Report（LongCat-Flash-Omni技术报告：5600亿参数开源全模态实时音视频交互模型） 【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： [00:21] 🛡 OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows（OS-Sentinel：在真实工作流中通过混合验证提升移动GUI代理安全性） [01:13] 🧠 ThinkMorph: Emergent Properties in Multimodal Interleaved Chain-of-Thought Reasoning（ThinkMorph：多模态交错思维链中的涌现特性） [01:49] ⚔ INT v.s. FP: A Comprehensive Study of Fine-Grained Low-bit Quantization Formats（INT对决FP：细粒度低比特量化格式的综合研究） [02:38] 🤖 $π_\texttt{RL}$: Online RL Fine-tuning for Flow-based Vision-Language-Action Models（π_RL：面向流式视觉-语言-动作模型的在线强化学习微调） [03:26] 🚀 Continuous Autoregressive Language Models（连续自回归语言模型） [03:54] 🧭 Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning（Spatial-SSRL：通过自监督强化学习增强空间理解） [04:37] 🎯 HyperClick: Advancing Reliable GUI Grounding via Uncertainty Calibration（HyperClick：通过不确定性校准推动可靠GUI定位） [05:15] 🎯 Defeating the Training-Inference Mismatch via FP16（用FP16打败训练-推理失配） [05:52] 🪜 Phased DMD: Few-step Distribution Matching Distillation via Score Matching within Subintervals（分阶段DMD：在子区间内做分数匹配实现少步分布匹配蒸馏） [06:28] 🧭 Revisiting Multimodal Positional Encoding in Vision-Language Models（再探视觉-语言模型中的多模态位置编码） [07:09] ⚡ Higher-order Linear Attention（高阶线性注意力机制） [07:55] 🌐 Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model（双流扩散助力世界模型增强视觉-语言-动作模型） [08:36] 🔬 The Denario project: Deep knowledge AI agents for scientific discovery（Denario项目：面向科学发现的深度知识AI智能体） [09:14] 🎯 Visual Backdoor Attacks on MLLM Embodied Decision Making via Contrastive Trigger Learning（面向具身决策的多模态大模型视觉后门攻击：对比触发学习方法） [09:51] 🏙 Mask-to-Height: A YOLOv11-Based Architecture for Joint Building Instance Segmentation and Height Classification from Satellite Imagery（Mask-to-Height：基于YOLOv11的联合建筑实例分割与高度分类架构） 【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： [00:30] TOP1(🔥522) | 🐣 The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain（幼龙破壳： Transformer 与大脑模型之间缺失的环节） [02:31] TOP2(🔥462) | 🧠 Less is More: Recursive Reasoning with Tiny Networks（小而精：用微型网络递归推理） [04:48] TOP3(🔥255) | 🌱 Agent Learning via Early Experience（基于早期经验的主体学习） [07:04] TOP4(🔥182) | 🔄 Scaling Latent Reasoning via Looped Language Models（通过循环语言模型扩展潜在推理能力） [09:11] TOP5(🔥170) | 🔥 MCPMark: A Benchmark for Stress-Testing Realistic and Comprehensive MCP Use（MCPMark：面向真实且全面的MCP应用场景的压力测试基准） [11:18] TOP6(🔥169) | 🚀 QeRL: Beyond Efficiency -- Quantization-enhanced Reinforcement Learning for LLMs（QeRL：超越效率——面向大语言模型的量化增强强化学习） [13:10] TOP7(🔥167) | 🎼 Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations（Concerto：2D-3D联合自监督学习涌现空间表征） [15:38] TOP8(🔥160) | 🧠 Diffusion Transformers with Representation Autoencoders（基于表示自编码器的扩散Transformer） [17:59] TOP9(🔥144) | 🧠 A Theoretical Study on Bridging Internal Probability and Self-Consistency for LLM Reasoning（大模型推理中内部概率与自洽性桥接的理论研究） [20:09] TOP10(🔥142) | 🎯 Spatial Forcing: Implicit Spatial Representation Alignment for Vision-language-action Model（空间强迫：面向视觉-语言-动作模型的隐式空间表征对齐） 【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 5 篇论文如下： [00:35] TOP1(🔥174) | 🔄 Scaling Latent Reasoning via Looped Language Models（通过循环语言模型扩展潜在推理能力） [02:30] TOP2(🔥166) | 🎼 Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations（Concerto：2D-3D联合自监督学习涌现空间表征） [05:17] TOP3(🔥115) | 🧩 ReCode: Unify Plan and Action for Universal Granularity Control（ReCode：用递归代码统一规划与行动，实现通用粒度控制） [07:02] TOP4(🔥94) | 🗣 InteractComp: Evaluating Search Agents With Ambiguous Queries（InteractComp：用含混查询检验搜索智能体的交互能力） [09:14] TOP5(🔥90) | 🧠 DeepAgent: A General Reasoning Agent with Scalable Toolsets（DeepAgent：具备可扩展工具集的通用推理智能体） 【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 15 篇论文如下： [00:26] 🌍 Emu3.5: Native Multimodal Models are World Learners（Emu3.5：原生多模态世界模型让AI看懂并预测未来） [01:04] 🤖 Exploring Conditions for Diffusion models in Robotic Control（探索扩散模型在机器人控制中的条件化策略） [01:42] 🎬 Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark（视频模型已准备好做零样本推理了吗？基于MME-CoF基准的实证研究） [02:22] ⚡ Kimi Linear: An Expressive, Efficient Attention Architecture（Kimi线性：一种富有表现力的高效注意力架构） [02:55] 🧮 AMO-Bench: Large Language Models Still Struggle in High School Math Competitions（AMO-Bench：大语言模型在高中数学奥赛级难题前仍举步维艰） [03:35] 🕺 The Quest for Generalizable Motion Generation: Data, Model, and Evaluation（可泛化动作生成之路：数据、模型与评测） [04:17] 🌐 Surfer 2: The Next Generation of Cross-Platform Computer Use Agents（Surfer 2：下一代跨平台计算机使用智能体） [04:42] 🌍 OmniX: From Unified Panoramic Generation and Perception to Graphics-Ready 3D Scenes（OmniX：从统一全景生成与感知到可渲染3D场景） [05:21] 🤝 The Era of Agentic Organization: Learning to Organize with Language Models（智能体组织时代：用语言模型学会协同） [05:57] 🧠 Supervised Reinforcement Learning: From Expert Trajectories to Step-wise Reasoning（监督式强化学习：从专家轨迹到逐步推理） [06:32] 🕹 Can Agent Conquer Web? Exploring the Frontiers of ChatGPT Atlas Agent in Web Games（智能体能征服网络吗？探索 ChatGPT Atlas 在网络游戏中的能力边界） [07:10] 🏥 EHR-R1: A Reasoning-Enhanced Foundational Language Model for Electronic Health Record Analysis（EHR-R1：面向电子健康记录分析的推理增强型基础语言模型） [07:55] 📄 OmniLayout: Enabling Coarse-to-Fine Learning with LLMs for Universal Document Layout Generation（OmniLayout：基于LLM的粗到细通用文档版面生成） [08:38] 🎯 MIRO: MultI-Reward cOnditioned pretraining improves T2I quality and efficiency（MIRO：多奖励条件预训练提升文本到图像生成质量与效率） [09:09] 🤖 Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets（Magentic市集：一个用于研究智能代理市场的开源环境） 【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 15 篇论文如下： [00:22] 👁 JanusCoder: Towards a Foundational Visual-Programmatic Interface for Code Intelligence（JanusCoder：面向代码智能的基础视觉-编程接口） [01:00] 🧠 Video-Thinker: Sparking "Thinking with Videos" via Reinforcement Learning（Video-Thinker：用强化学习点燃“视频思维”） [01:55] 🔄 ReForm: Reflective Autoformalization with Prospective Bounded Sequence Optimization（ReForm：基于前瞻性有界序列优化的反思式自动化形式化） [02:42] 🔄 Scaling Latent Reasoning via Looped Language Models（通过循环语言模型扩展潜在推理能力） [03:22] 🧠 Reasoning-Aware GRPO using Process Mining（基于过程挖掘的推理感知GRPO方法） [03:52] 🎬 VFXMaster: Unlocking Dynamic Visual Effect Generation via In-Context Learning（VFXMaster：通过上下文学习解锁动态视觉特效生成） [04:33] 🏆 The Tool Decathlon: Benchmarking Language Agents for Diverse, Realistic, and Long-Horizon Task Execution（工具十项全能：面向多样、真实、长周期任务的语言智能体基准测试） [05:11] 🖼 RegionE: Adaptive Region-Aware Generation for Efficient Image Editing（RegionE：面向高效图像编辑的自适应区域感知生成） [06:22] 🎮 ChronoPlay: A Framework for Modeling Dual Dynamics and Authenticity in Game RAG Benchmarks（ChronoPlay：面向游戏RAG评测的双动态与真实性建模框架） [06:58] 🧭 Multimodal Spatial Reasoning in the Large Model Era: A Survey and Benchmarks（大模型时代的多模态空间推理：综述与基准） [07:44] 🔗 PairUni: Pairwise Training for Unified Multimodal Language Models（PairUni：面向统一多模态语言模型的成对训练） [08:33] ⚡ Parallel Loop Transformer for Efficient Test-Time Computation Scaling（并行循环Transformer：零延迟的测试时计算扩展） [09:08] 🚗 Rethinking Driving World Model as Synthetic Data Generator for Perception Tasks（重新审视驾驶世界模型：面向感知任务的合成数据生成器） [09:55] 🧬 ODesign: A World Model for Biomolecular Interaction Design（ODesign：面向生物分子相互作用设计的全原子生成式世界模型） [10:31] 🧬 Evolving Diagnostic Agents in a Virtual Clinical Environment（虚拟临床环境中进化诊断智能体） 【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： [00:23] 🔍 Tongyi DeepResearch Technical Report（通义深度研究报告：面向长程深度信息检索任务的智能体大模型） [01:00] 🧠 AgentFold: Long-Horizon Web Agents with Proactive Context Management（AgentFold：面向长程任务的主动式上下文管理智能体） [01:36] 🤖 RoboOmni: Proactive Robot Manipulation in Omni-modal Context（RoboOmni：全模态上下文下的主动机器人操作） [02:33] 🎮 Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents（Game-TARS：面向可扩展通才多模态游戏智能体的预训练基础模型） [03:05] 🎬 Uniform Discrete Diffusion with Metric Path for Video Generation（面向视频生成的度量路径均匀离散扩散模型） [03:42] 🛠 OSWorld-MCP: Benchmarking MCP Tool Invocation In Computer-Use Agents（OSWorld-MCP：评测计算机代理调用MCP工具能力的基准） [04:28] 🎨 Group Relative Attention Guidance for Image Editing（基于群组相对注意力引导的图像编辑方法） [05:14] 🚀 WebLeaper: Empowering Efficiency and Efficacy in WebAgent via Enabling Info-Rich Seeking（WebLeaper：通过富信息搜索赋能网络智能体效率与效能） [06:04] 🧭 Routing Matters in MoE: Scaling Diffusion Transformers with Explicit Routing Guidance（MoE路由关乎成败：显式路由引导扩散Transformer扩容） [07:01] 🧠 ParallelMuse: Agentic Parallel Thinking for Deep Information Seeking（并行缪斯：面向深度信息搜寻的主体化并行思考） 【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] 🎼 Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations（Concerto：2D-3D联合自监督学习涌现空间表征） [01:06] 🧩 ReCode: Unify Plan and Action for Universal Granularity Control（ReCode：用递归代码统一规划与行动，实现通用粒度控制） [01:44] 🤖 A Survey of Data Agents: Emerging Paradigm or Overstated Hype?（数据智能体全景透视：新范式还是泡沫？） [02:23] 🌾 FARMER: Flow AutoRegressive Transformer over Pixels（基于像素流自回归变换器的可逆生成模型） [03:07] 🤖 VITA-E: Natural Embodied Interaction with Concurrent Seeing, Hearing, Speaking, and Acting（VITA-E：能同时看、听、说、做的自然具身交互框架） [03:45] 🎭 Lookahead Anchoring: Preserving Character Identity in Audio-Driven Human Animation（前瞻锚定：在音频驱动人体动画中保持角色身份） [04:17] 🤖 ACG: Action Coherence Guidance for Flow-based VLA models（面向流式VLA模型的动作连贯性引导） [04:56] 🔍 $\text{E}^2\text{Rank}$: Your Text Embedding can Also be an Effective and Efficient Listwise Reranker（E²Rank：你的文本嵌入也能成为高效列表级重排器） [05:40] 🌐 Omni-Reward: Towards Generalist Omni-Modal Reward Modeling with Free-Form Preferences（全模态奖励模型：用自由格式偏好迈向通用奖励建模） [06:30] 🔍 PixelRefer: A Unified Framework for Spatio-Temporal Object Referring with Arbitrary Granularity（PixelRefer：任意粒度时空目标指代的统一框架） [07:06] 🧠 Knocking-Heads Attention（敲头注意力：让多头彼此“敲一敲”） [07:42] 🧩 IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction（IGGT：面向语义三维重建的实例锚定几何Transformer） [08:30] 🎯 The Best of N Worlds: Aligning Reinforcement Learning with Best-of-N Sampling via max@k Optimisation（多选一最优：用max@k优化将强化学习与Best-of-N采样对齐） [09:14] 🥯 LightBagel: A Light-weighted, Double Fusion Framework for Unified Multimodal Understanding and Generation（LightBagel：面向统一多模态理解与生成的轻量级双重融合框架） [09:51] 🧠 LimRank: Less is More for Reasoning-Intensive Information Reranking（LimRank：少即是多的推理密集型信息重排序） 【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： [00:19] 🧠 Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning（每一种注意力都重要：面向长上下文推理的高效混合架构） [00:59] ⚖ BAPO: Stabilizing Off-Policy Reinforcement Learning for LLMs via Balanced Policy Optimization with Adaptive Clipping（BAPO：通过自适应裁剪的平衡策略优化稳定LLM离策略强化学习） [01:40] 🧠 LoongRL:Reinforcement Learning for Advanced Reasoning over Long Contexts（LoongRL：面向长文本高级推理的强化学习方法） [02:18] 🌍 GigaBrain-0: A World Model-Powered Vision-Language-Action Model（GigaBrain-0：基于世界模型的通才视觉-语言-动作大模型） [02:49] 🔄 Language Models are Injective and Hence Invertible（语言模型是单射的，因此可逆） [03:25] 📹 VideoAgentTrek: Computer Use Pretraining from Unlabeled Videos（VideoAgentTrek：利用无标注视频预训练计算机操作智能体） [04:01] 📲 DaMo: Data Mixing Optimizer in Fine-tuning Multimodal LLMs for Mobile Phone Agents（DaMo：面向手机智能体的多模态大模型微调数据配比优化器） [04:55] 🚀 Unified Reinforcement and Imitation Learning for Vision-Language Models（统一强化与模仿学习的视觉-语言模型） [05:28] 🖼 Pico-Banana-400K: A Large-Scale Dataset for Text-Guided Image Editing（Pico-Banana-400K：面向文本引导图像编辑的大规模高质量数据集） [06:17] 📊 FinSight: Towards Real-World Financial Deep Research（FinSight：迈向真实场景的金融深度研究） [07:06] 🧠 Are they lovers or friends? Evaluating LLMs' Social Reasoning in English and Korean Dialogues（他们是恋人还是朋友？评估大语言模型在英韩对话中的社会推理能力） [07:43] 🌍 OmniNWM: Omniscient Driving Navigation World Models（OmniNWM：全景驾驶导航全知世界模型） [08:28] 🕳 Attention Sinks in Diffusion Language Models（扩散语言模型中的注意力沉陷现象） [09:04] 📄 olmOCR 2: Unit Test Rewards for Document OCR（olmOCR 2：基于单元测试奖励的文档OCR系统） [09:42] 🧠 KORE: Enhancing Knowledge Injection for Large Multimodal Models via Knowledge-Oriented Augmentations and Constraints（KORE：通过知识导向增强与约束为大模型持续注入知识） 【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 14 篇论文如下： [00:19] 🧠 LightMem: Lightweight and Efficient Memory-Augmented Generation（LightMem：轻量高效的记忆增强生成框架） [00:55] 🌀 World-in-World: World Models in a Closed-Loop World（世界中的世界：闭环环境下的世界模型） [01:44] 🖼 UniGenBench++: A Unified Semantic Evaluation Benchmark for Text-to-Image Generation（UniGenBench++：面向文本到图像生成的统一语义评测基准） [02:29] 🧪 Chem-R: Learning to Reason as a Chemist（Chem-R：像化学家一样学习推理） [03:10] 🎬 MoGA: Mixture-of-Groups Attention for End-to-End Long Video Generation（MoGA：面向端到端长视频生成的分组混合注意力机制） [03:52] 🔍 Grasp Any Region: Towards Precise, Contextual Pixel Understanding for Multimodal LLMs（任意区域皆可掌握：面向多模态大模型的精准上下文像素级理解） [04:49] 🎬 IF-VidCap: Can Video Caption Models Follow Instructions?（IF-VidCap：视频字幕模型能听懂指令吗？） [05:35] 🚀 Every Step Evolves: Scaling Reinforcement Learning for Trillion-Scale Thinking Model（万亿参数思维模型的强化学习扩展之路） [06:21] 🎬 MT-Video-Bench: A Holistic Video Understanding Benchmark for Evaluating Multimodal LLMs in Multi-Turn Dialogues（MT-Video-Bench：面向多轮对话评估多模态大模型视频理解能力的综合基准） [07:12] 🧠 ssToken: Self-modulated and Semantic-aware Token Selection for LLM Fine-tuning（ssToken：面向大模型微调的自调制语义感知Token筛选方法） [07:43] 🎬 MUG-V 10B: High-efficiency Training Pipeline for Large Video Generation Models（MUG-V 10B：面向大视频生成模型的高效训练流水线） [08:18] 🎯 ProCLIP: Progressive Vision-Language Alignment via LLM-based Embedder（ProCLIP：基于大语言模型嵌入器的渐进式视觉-语言对齐方法） [09:29] 🎬 UltraGen: High-Resolution Video Generation with Hierarchical Attention（UltraGen：基于分层注意力的原生高分辨率视频生成） [10:15] 🔄 DSI-Bench: A Benchmark for Dynamic Spatial Intelligence（DSI-Bench：动态空间智能评测基准） 【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 13 篇论文如下： [00:21] 🪞 PICABench: How Far Are We from Physically Realistic Image Editing?（PICABench：我们离物理真实的图像编辑还有多远？） [01:04] 🤖 DeepAnalyze: Agentic Large Language Models for Autonomous Data Science（DeepAnalyze：面向自主数据科学的智能体大模型） [01:50] 🗜 Glyph: Scaling Context Windows via Visual-Text Compression（Glyph：通过视觉-文本压缩扩展上下文窗口长度） [02:23] 🔍 Towards Mixed-Modal Retrieval for Universal Retrieval-Augmented Generation（面向通用检索增强生成的混合模态检索研究） [03:10] 🔗 When to Ensemble: Identifying Token-Level Points for Stable and Fast LLM Ensembling（何时集成：定位Token级位置实现稳定高效的大模型集成） [04:09] 🎯 Annotation-Efficient Universal Honesty Alignment（注释高效型通用诚实对齐） [04:49] 🖌 Uniworld-V2: Reinforce Image Editing with Diffusion Negative-aware Finetuning and MLLM Implicit Feedback（Uniworld-V2：借助扩散负感知微调与MLLM隐式反馈强化图像编辑） [05:46] 👁 RL makes MLLMs see better than SFT（强化学习让多模态大模型看得比监督微调更清楚） [06:33] 🚀 Visual Autoregressive Models Beat Diffusion Models on Inference Time Scaling（视觉自回归模型在推理时扩展上击败扩散模型） [07:09] 🎨 ConsistEdit: Highly Consistent and Precise Training-free Visual Editing（ConsistEdit：面向MM-DiT的高一致免训练视觉编辑） [07:56] 🔄 Deep Self-Evolving Reasoning（深度自演化推理） [08:22] 🧠 Beyond Pipelines: A Survey of the Paradigm Shift toward Model-Native Agentic AI（超越流水线：模型原生智能体AI范式转移综述） [09:07] 🔮 Chronos-2: From Univariate to Universal Forecasting（Chronos-2：从单变量到通用预测） 【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