HuggingFace 每日AI论文速递 - 节目列表

本期的 10 篇论文如下： [00:35] TOP1(🔥219) | 🎨 Kandinsky 5.0: A Family of Foundation Models for Image and Video Generation（Kandinsky 5.0：用于图像和视频生成的基础模型家族） [02:45] TOP2(🔥207) | 🎬 Thinking with Video: Video Generation as a Promising Multimodal Reasoning Paradigm（用视频思考：视频生成作为统一多模态推理新范式） [04:58] TOP3(🔥191) | 🌍 Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds（Lumine：在3D开放世界中打造通才智能体的开源方案） [07:26] TOP4(🔥166) | ⚡ ROOT: Robust Orthogonalized Optimizer for Neural Network Training（ROOT：面向神经网络训练的鲁棒正交化优化器） [09:37] TOP5(🔥156) | 🚀 MiroThinker: Pushing the Performance Boundaries of Open-Source Research Agents via Model, Context, and Interactive Scaling（MiroThinker：通过模型、上下文与交互扩展，将开源研究智能体性能推向新边界） [11:54] TOP6(🔥151) | 🧠 General Agentic Memory Via Deep Research（通过深度研究的通用代理记忆） [13:55] TOP7(🔥131) | 🏅 P1: Mastering Physics Olympiads with Reinforcement Learning（用强化学习攻克物理奥赛） [16:01] TOP8(🔥131) | 🍲 Souper-Model: How Simple Arithmetic Unlocks State-of-the-Art LLM Performance（“汤”级模型：简单加权平均即可让大语言模型性能跃升） [18:03] TOP9(🔥126) | 🧠 Tiny Model, Big Logic: Diversity-Driven Optimization Elicits Large-Model Reasoning Ability in VibeThinker-1.5B（小模型大逻辑：多样性驱动优化唤醒VibeThinker-1.5B的大模型推理力） [20:14] TOP10(🔥121) | 🚀 Diffusion Language Models are Super Data Learners（扩散语言模型是超级数据学习者） 【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： [00:20] 🧠 From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence（从代码基础模型到智能体与应用：代码智能实用指南） [01:05] 🎬 LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling（LongVT：通过原生工具调用激励“长视频思考”） [01:43] 🔍 Envision: Benchmarking Unified Understanding & Generation for Causal World Process Insights（Envision：面向因果世界过程洞察的统一理解与生成基准） [02:21] 🧠 Stabilizing Reinforcement Learning with LLMs: Formulation and Practices（利用大语言模型稳定强化学习的公式与实践） [02:59] 🔍 How Far Are We from Genuinely Useful Deep Research Agents?（我们距离真正有用的深度研究智能体还有多远？） [03:47] ⚖ What about gravity in video generation? Post-Training Newton's Laws with Verifiable Rewards（视频生成中的重力考量？基于可验证奖励的后训练牛顿定律应用） [04:24] 🔍 The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment（一致性批评家：通过参考引导的注意力对齐纠正生成图像中的不一致性） [05:14] 🎬 Infinity-RoPE: Action-Controllable Infinite Video Generation Emerges From Autoregressive Self-Rollout（Infinity-RoPE：从自回归自展开中涌现的可控动作无限视频生成） [05:58] 🔗 TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models（TUNA：驯服统一视觉表征以构建原生统一多模态模型） [06:41] 🧠 Rectifying LLM Thought from Lens of Optimization（从优化视角修正大语言模型的思维过程） [07:16] ⚡ Flash-DMD: Towards High-Fidelity Few-Step Image Generation with Efficient Distillation and Joint Reinforcement Learning（Flash-DMD：基于高效蒸馏与联合强化学习实现高保真少步图像生成） [07:54] 🚀 LFM2 Technical Report（LFM2 技术报告） [08:31] 🤖 GR-RL: Going Dexterous and Precise for Long-Horizon Robotic Manipulation（GR-RL：迈向灵巧与精准的长时程机器人操作） [09:09] 🎬 InternVideo-Next: Towards General Video Foundation Models without Video-Text Supervision（InternVideo-Next：迈向无需视频文本监督的通用视频基础模型） [09:44] ⚡ VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference（VLASH：基于未来状态感知的异步推理实现实时视觉-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： [00:26] 🚀 Z-Image: An Efficient Image Generation Foundation Model with Single-Stream Diffusion Transformer（Z-Image：基于单流扩散Transformer的高效图像生成基础模型） [01:00] 🤔 REASONEDIT: Towards Reasoning-Enhanced Image Editing Models（REASONEDIT：迈向推理增强的图像编辑模型） [01:25] 🎬 AnyTalker: Scaling Multi-Person Talking Video Generation with Interactivity Refinement（AnyTalker：通过交互性精炼实现可扩展的多人物对话视频生成） [01:59] 🌉 Vision Bridge Transformer at Scale（大规模视觉桥接变换器） [02:35] 🔍 Architecture Decoupling Is Not All You Need For Unified Multimodal Model（架构解耦并非统一多模态模型的全部所需） [03:23] ⚡ DiP: Taming Diffusion Models in Pixel Space（DiP：在像素空间驾驭扩散模型） [03:49] 🧠 Every Token Counts: Generalizing 16M Ultra-Long Context in Large Language Models（每个令牌都重要：在大型语言模型中泛化1600万超长上下文） [04:19] 🤖 DualVLA: Building a Generalizable Embodied Agent via Partial Decoupling of Reasoning and Action（DualVLA：通过部分解耦推理与动作构建可泛化的具身智能体） [05:02] ⚡ Adversarial Flow Models（对抗性流模型） [05:29] 🔬 Decoupled DMD: CFG Augmentation as the Spear, Distribution Matching as the Shield（解耦的DMD：CFG增强为矛，分布匹配为盾） [06:10] 🎥 Captain Safari: A World Engine（Captain Safari：一种世界引擎） [06:43] 🌍 World in a Frame: Understanding Culture Mixing as a New Challenge for Vision-Language Models（框架中的世界：理解文化混合作为视觉语言模型的新挑战） [07:20] 🔍 The Collapse of Patches（图像块坍缩） [07:50] 🔍 RefineBench: Evaluating Refinement Capability of Language Models via Checklists（RefineBench：基于检查表评估语言模型精炼能力） [08:23] 🦷 OralGPT-Omni: A Versatile Dental Multimodal Large Language Model（OralGPT-Omni：一个通用的牙科多模态大语言模型） 【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 5 篇论文如下： [00:51] TOP1(🔥161) | ⚡ ROOT: Robust Orthogonalized Optimizer for Neural Network Training（ROOT：面向神经网络训练的鲁棒正交化优化器） [02:35] TOP2(🔥141) | 🧠 General Agentic Memory Via Deep Research（通过深度研究的通用代理记忆） [04:33] TOP3(🔥110) | 🧬 GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms（GigaEvo：基于大语言模型与进化算法的开源优化框架） [06:56] TOP4(🔥88) | 🎯 SAM 3: Segment Anything with Concepts（SAM 3：基于概念的通用分割模型） [09:12] TOP5(🔥88) | 🌍 GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization（GeoVista：用于地理定位的Web增强智能视觉推理） 【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 6 篇论文如下： [00:19] 🎬 Video Generation Models Are Good Latent Reward Models（视频生成模型是优秀的潜在奖励模型） [01:07] 🎨 Canvas-to-Image: Compositional Image Generation with Multimodal Controls（画布到图像：基于多模态控制的组合式图像生成） [01:49] 🎨 MIRA: Multimodal Iterative Reasoning Agent for Image Editing（MIRA：多模态迭代推理代理用于图像编辑） [02:30] 📊 Multi-Crit: Benchmarking Multimodal Judges on Pluralistic Criteria-Following（多准则：多模态评估器在多元化标准遵循上的基准测试） [03:12] 🧠 What does it mean to understand language?（理解语言意味着什么？） [03:47] 🧠 Agentic Learner with Grow-and-Refine Multimodal Semantic Memory（具有生长与精炼多模态语义记忆的自主学习者） 【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] 🔍 Multimodal Evaluation of Russian-language Architectures（俄语多模态架构的评估框架） [01:15] 🧠 Latent Collaboration in Multi-Agent Systems（多智能体系统中的潜在协作） [01:47] 🌍 Inferix: A Block-Diffusion based Next-Generation Inference Engine for World Simulation（Inferix：基于块扩散的新一代世界模拟推理引擎） [02:18] 🎭 Harmony: Harmonizing Audio and Video Generation through Cross-Task Synergy（和谐：通过跨任务协同实现音频与视频生成的统一） [03:10] 📄 NVIDIA Nemotron Parse 1.1（英伟达Nemotron解析1.1） [03:46] 🧠 Monet: Reasoning in Latent Visual Space Beyond Images and Language（Monet：超越图像与语言的潜在视觉空间推理） [04:25] ⚡ Terminal Velocity Matching（终端速度匹配） [05:03] 📊 Revisiting Generalization Across Difficulty Levels: It's Not So Easy（重新审视跨难度级别的泛化能力：并非易事） [05:42] 🤖 MobileVLA-R1: Reinforcing Vision-Language-Action for Mobile Robots（MobileVLA-R1：强化移动机器人的视觉-语言-动作能力） [06:25] ⚡ Image-Free Timestep Distillation via Continuous-Time Consistency with Trajectory-Sampled Pairs（基于轨迹采样对的连续时间一致性图像自由时间步蒸馏） [06:59] 🎮 UniGame: Turning a Unified Multimodal Model Into Its Own Adversary（UniGame：将统一多模态模型转化为其自身的对抗者） [07:47] 🧩 SPHINX: A Synthetic Environment for Visual Perception and Reasoning（SPHINX：用于视觉感知与推理的合成环境） [08:33] ⚡ Block Cascading: Training Free Acceleration of Block-Causal Video Models（块级联：免训练的块因果视频模型加速） [09:12] 🏙 RAISECity: A Multimodal Agent Framework for Reality-Aligned 3D World Generation at City-Scale（RAISECity：面向城市尺度的现实对齐三维世界生成多模态智能体框架） [09:58] 📊 I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation（I-GLIDE：基于输入组的退化估计潜在健康指标） 【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： [00:17] 🧬 GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms（GigaEvo：基于大语言模型与进化算法的开源优化框架） [00:57] 🔬 MedSAM3: Delving into Segment Anything with Medical Concepts（MedSAM3：深入探索基于医学概念的通用分割模型） [01:34] 🔍 Agent0-VL: Exploring Self-Evolving Agent for Tool-Integrated Vision-Language Reasoning（Agent0-VL：探索工具集成视觉语言推理的自进化智能体） [02:03] 🎨 iMontage: Unified, Versatile, Highly Dynamic Many-to-many Image Generation（iMontage：统一、通用、高度动态的多对多图像生成） [02:38] 🕺 SteadyDancer: Harmonized and Coherent Human Image Animation with First-Frame Preservation（SteadyDancer：基于首帧保持的协调连贯人体图像动画） [03:18] 🔍 Does Understanding Inform Generation in Unified Multimodal Models? From Analysis to Path Forward（理解是否真正指导统一多模态模型的生成？从分析到前进路径） [04:04] 🤖 GigaWorld-0: World Models as Data Engine to Empower Embodied AI（GigaWorld-0：世界模型作为数据引擎赋能具身AI） [04:44] 🎯 Soft Adaptive Policy Optimization（软自适应策略优化） [05:14] 🎬 UltraViCo: Breaking Extrapolation Limits in Video Diffusion Transformers（UltraViCo：突破视频扩散变换器的外推极限） [05:55] 🎯 SSA: Sparse Sparse Attention by Aligning Full and Sparse Attention Outputs in Feature Space（SSA：通过特征空间中对齐全注意力和稀疏注意力输出的稀疏稀疏注意力） [06:51] 🎨 OmniAlpha: A Sequence-to-Sequence Framework for Unified Multi-Task RGBA Generation（OmniAlpha：面向统一多任务RGBA生成的序列到序列框架） [07:41] 🎬 ReDirector: Creating Any-Length Video Retakes with Rotary Camera Encoding（ReDirector：使用旋转相机编码创建任意长度视频重拍） [08:13] 🖼 VQ-VA World: Towards High-Quality Visual Question-Visual Answering（VQ-VA世界：迈向高质量视觉问题-视觉回答） [09:06] 🔍 HunyuanOCR Technical Report（幻方OCR技术报告） [09:48] 🏙 MajutsuCity: Language-driven Aesthetic-adaptive City Generation with Controllable 3D Assets and Layouts（MajutsuCity：语言驱动美学自适应城市生成与可控3D资产及布局） 【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： [00:25] 🧠 General Agentic Memory Via Deep Research（通过深度研究的通用代理记忆） [00:52] 🧪 AutoEnv: Automated Environments for Measuring Cross-Environment Agent Learning（AutoEnv：用于跨环境智能体学习的自动化环境测量） [01:24] 🤖 Computer-Use Agents as Judges for Generative User Interface（以计算机使用代理作为生成式用户界面的评判者） [01:55] 🎨 DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation（DeCo：用于端到端图像生成的频率解耦像素扩散） [02:24] 🎨 UltraFlux: Data-Model Co-Design for High-quality Native 4K Text-to-Image Generation across Diverse Aspect Ratios（UltraFlux：面向高质量原生4K文本到图像跨多样宽高比的数据-模型协同设计） [03:10] 🔍 DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research（DR Tulu：基于演化评分标准的深度研究强化学习） [03:46] 🎬 In-Video Instructions: Visual Signals as Generative Control（视频内指令：视觉信号作为生成控制） [04:24] 📊 Budget-Aware Tool-Use Enables Effective Agent Scaling（预算感知的工具使用实现有效的智能体扩展） [05:12] 🎬 Plan-X: Instruct Video Generation via Semantic Planning（Plan-X：通过语义规划指导视频生成） [05:54] 🧪 M3-Bench: Multi-Modal, Multi-Hop, Multi-Threaded Tool-Using MLLM Agent Benchmark（M3-Bench：多模态、多跳、多线程工具使用MLLM智能体基准） [06:25] 🤖 Multi-Agent Deep Research: Training Multi-Agent Systems with M-GRPO（多智能体深度研究：使用M-GRPO训练多智能体系统） [07:24] 🎬 HunyuanVideo 1.5 Technical Report（混元视频1.5技术报告） [07:56] 🧠 Chain-of-Visual-Thought: Teaching VLMs to See and Think Better with Continuous Visual Tokens（视觉思维链：通过连续视觉标记教导视觉语言模型更好地观察与思考） [08:36] 🧠 MIST: Mutual Information Via Supervised Training（MIST：通过监督训练实现互信息估计） [09:07] 🎨 Controllable Layer Decomposition for Reversible Multi-Layer Image Generation（可控层分解用于可逆多层图像生成） 【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： [00:21] 🧠 OpenMMReasoner: Pushing the Frontiers for Multimodal Reasoning with an Open and General Recipe（OpenMMReasoner：以开放通用方案推动多模态推理前沿） [01:04] 🌍 GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization（GeoVista：用于地理定位的Web增强智能视觉推理） [01:41] 🎯 SAM 3: Segment Anything with Concepts（SAM 3：基于概念的通用分割模型） [02:31] 📊 Unveiling Intrinsic Dimension of Texts: from Academic Abstract to Creative Story（揭示文本的内在维度：从学术摘要到创意故事） [03:09] 🧠 O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents（O-Mem：面向个性化、长周期、自进化智能体的全能记忆系统） [03:43] 🦜 Parrot: Persuasion and Agreement Robustness Rating of Output Truth -- A Sycophancy Robustness Benchmark for LLMs（鹦鹉：输出真相的说服与一致性鲁棒性评级——一个面向大语言模型的谄媚鲁棒性基准） [04:26] 🧠 RynnVLA-002: A Unified Vision-Language-Action and World Model（RynnVLA-002：统一的视觉-语言-动作与世界模型） [05:19] 🧠 VisMem: Latent Vision Memory Unlocks Potential of Vision-Language Models（VisMem：潜在视觉记忆解锁视觉语言模型潜力） [05:51] 🌍 WorldGen: From Text to Traversable and Interactive 3D Worlds（WorldGen：从文本到可遍历交互式3D世界） [06:34] 🎨 Loomis Painter: Reconstructing the Painting Process（Loomis Painter：重建绘画过程） [07:06] 🔮 Mantis: A Versatile Vision-Language-Action Model with Disentangled Visual Foresight（Mantis：具有解耦视觉预测能力的多功能视觉-语言-动作模型） [07:48] 🎨 InstructMix2Mix: Consistent Sparse-View Editing Through Multi-View Model Personalization（InstructMix2Mix：通过多视图模型个性化实现一致的稀疏视图编辑） [08:21] 🔬 OmniScientist: Toward a Co-evolving Ecosystem of Human and AI Scientists（全能科学家：迈向人类与AI科学家共同进化的生态系统） [09:07] 🧬 MergeDNA: Context-aware Genome Modeling with Dynamic Tokenization through Token Merging（MergeDNA：基于动态标记化的上下文感知基因组建模） [09:41] 🔍 Video-R4: Reinforcing Text-Rich Video Reasoning with Visual Rumination（Video-R4：通过视觉反刍增强文本丰富视频推理） 【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 5 篇论文如下： [00:41] TOP1(🔥171) | 🎨 Kandinsky 5.0: A Family of Foundation Models for Image and Video Generation（Kandinsky 5.0：用于图像和视频生成的基础模型家族） [02:02] TOP2(🔥150) | 🚀 MiroThinker: Pushing the Performance Boundaries of Open-Source Research Agents via Model, Context, and Interactive Scaling（MiroThinker：通过模型、上下文与交互扩展，将开源研究智能体性能推向新边界） [04:31] TOP3(🔥127) | 🏅 P1: Mastering Physics Olympiads with Reinforcement Learning（用强化学习攻克物理奥赛） [06:43] TOP4(🔥126) | 🍲 Souper-Model: How Simple Arithmetic Unlocks State-of-the-Art LLM Performance（“汤”级模型：简单加权平均即可让大语言模型性能跃升） [08:09] TOP5(🔥104) | 🧠 VIDEOP2R: Video Understanding from Perception to Reasoning（VIDEOP2R：从感知到推理的视频理解） 【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] 📊 V-ReasonBench: Toward Unified Reasoning Benchmark Suite for Video Generation Models（V-ReasonBench：面向视频生成模型的统一推理基准套件） [01:06] 🧠 Step-Audio-R1 Technical Report（Step-Audio-R1技术报告） [01:48] 🧭 Scaling Spatial Intelligence with Multimodal Foundation Models（通过多模态基础模型扩展空间智能） [02:18] 🎬 First Frame Is the Place to Go for Video Content Customization（首帧是实现视频内容定制化的关键所在） [02:49] 🎬 Video-as-Answer: Predict and Generate Next Video Event with Joint-GRPO（视频即答案：使用联合GRPO预测并生成下一视频事件） [03:29] 🔮 SAM 3D: 3Dfy Anything in Images（SAM 3D：图像中任意物体的三维化） [04:03] 🚀 MiMo-Embodied: X-Embodied Foundation Model Technical Report（MiMo-Embodied：跨具身基础模型技术报告） [04:38] 🧠 Thinking-while-Generating: Interleaving Textual Reasoning throughout Visual Generation（边生成边思考：在视觉生成中交织文本推理） [05:10] 🏆 TurkColBERT: A Benchmark of Dense and Late-Interaction Models for Turkish Information Retrieval（TurkColBERT：土耳其信息检索中稠密与延迟交互模型的基准研究） [05:53] 🌀 Nemotron Elastic: Towards Efficient Many-in-One Reasoning LLMs（Nemotron Elastic：迈向高效多合一推理大语言模型） [06:26] 🚀 SRPO: Self-Referential Policy Optimization for Vision-Language-Action Models（自参考策略优化：面向视觉-语言-动作模型） [07:09] 🎬 TimeViper: A Hybrid Mamba-Transformer Vision-Language Model for Efficient Long Video Understanding（TimeViper：一种用于高效长视频理解的混合Mamba-Transformer视觉语言模型） [07:46] 🔬 SAM2S: Segment Anything in Surgical Videos via Semantic Long-term Tracking（SAM2S：通过语义长期跟踪实现手术视频中的任意分割） [08:23] 🎨 NaTex: Seamless Texture Generation as Latent Color Diffusion（NaTex：作为潜在颜色扩散的无缝纹理生成） [08:58] 📐 PartUV: Part-Based UV Unwrapping of 3D Meshes（PartUV：基于部件分割的3D网格UV展开方法） 【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

本期的 4 篇论文如下： [00:23] 🎬 Reasoning via Video: The First Evaluation of Video Models' Reasoning Abilities through Maze-Solving Tasks（通过视频进行推理：基于走迷宫任务对视频模型推理能力的首次评测） [01:17] 🔄 VisPlay: Self-Evolving Vision-Language Models from Images（VisPlay：基于无标注图像自我进化的视觉-语言模型） [01:54] 📚 ARC-Chapter: Structuring Hour-Long Videos into Navigable Chapters and Hierarchical Summaries（ARC-Chapter：将超长视频结构化导航章节与分层摘要） [02:45] 🦴 MHR: Momentum Human Rig（MHR：动量人体绑定模型） 【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