HuggingFace 每日AI论文速递

本期的 11 篇论文如下： [00:27] 🎨 ColorBench: Can VLMs See and Understand the Colorful World? A Comprehensive Benchmark for Color Perception, Reasoning, and Robustness（ColorBench：视觉语言模型能否看到并理解多彩世界？一个关于颜色感知、推理和鲁棒性的综合基准） [01:09] 💡 BitNet b1.58 2B4T Technical Report（BitNet b1.58 2B4T 技术报告） [01:50] 🎨 Cobra: Efficient Line Art COlorization with BRoAder R...

本期的 15 篇论文如下： [00:22] 🧠 Genius: A Generalizable and Purely Unsupervised Self-Training Framework For Advanced Reasoning（Genius：一种用于高级推理的通用且纯粹的无监督自训练框架） [01:06] ✅ xVerify: Efficient Answer Verifier for Reasoning Model Evaluations（xVerify：用于推理模型评估的高效答案验证器） [01:52] 🖼 Pixel-SAIL: Single Transformer For Pixel-Grounded Understanding（Pixel-SAIL：用...

本期的 15 篇论文如下： [00:23] 🖼 InternVL3: Exploring Advanced Training and Test-Time Recipes for Open-Source Multimodal Models（InternVL3：探索开源多模态模型的高级训练和测试时方案） [01:03] 🏠 PRIMA.CPP: Speeding Up 70B-Scale LLM Inference on Low-Resource Everyday Home Clusters（PRIMA.CPP: 加速低资源家用集群上700亿参数规模大语言模型的推理） [01:46] 🖼 FUSION: Fully Integration of Vision-Language R...

本期的 13 篇论文如下： [00:24] 🎬 Seaweed-7B: Cost-Effective Training of Video Generation Foundation Model（Seaweed-7B：一种经济高效的视频生成基础模型训练方法） [01:00] 🖼 GigaTok: Scaling Visual Tokenizers to 3 Billion Parameters for Autoregressive Image Generation（GigaTok：将视觉标记器扩展到30亿参数以进行自回归图像生成） [01:42] 🎮 MineWorld: a Real-Time and Open-Source Interactive World Model o...

本期的 5 篇论文如下： [00:44] TOP1(🔥149) | 💡 SmolVLM: Redefining small and efficient multimodal models（SmolVLM：重新定义小型高效多模态模型） [03:07] TOP2(🔥125) | 🎨 OmniSVG: A Unified Scalable Vector Graphics Generation Model（OmniSVG：一个统一的可扩展矢量图形生成模型） [05:57] TOP3(🔥90) | 🎬 One-Minute Video Generation with Test-Time Training（基于测试时训练的分钟级视频生成） [08:13] TOP4(🔥...

本期的 14 篇论文如下： [00:22] 🧠 Kimi-VL Technical Report（Kimi-VL技术报告） [01:05] 🎬 VCR-Bench: A Comprehensive Evaluation Framework for Video Chain-of-Thought Reasoning（VCR-Bench：一个用于视频链式思考推理的综合评估框架） [01:54] 🖼 MM-IFEngine: Towards Multimodal Instruction Following（MM-IFEngine: 面向多模态指令跟随） [02:35] 🖼 VisualCloze: A Universal Image Generation Framework via Visual I...

本期的 15 篇论文如下： [00:25] 🎨 DDT: Decoupled Diffusion Transformer（解耦扩散Transformer） [01:05] 🎬 GenDoP: Auto-regressive Camera Trajectory Generation as a Director of Photography（GenDoP：基于自回归的相机轨迹生成，如同电影摄影师一般） [01:49] 🔍 OLMoTrace: Tracing Language Model Outputs Back to Trillions of Training Tokens（OLMoTrace：将语言模型的输出追溯到数万亿的训练文本） [02:28] 🖼 A Un...

本期的 13 篇论文如下： [00:22] 🎨 OmniSVG: A Unified Scalable Vector Graphics Generation Model（OmniSVG：一个统一的可扩展矢量图形生成模型） [01:02] 🧠 Skywork R1V: Pioneering Multimodal Reasoning with Chain-of-Thought（Skywork R1V：以思维链引领多模态推理） [01:42] 🖼 An Empirical Study of GPT-4o Image Generation Capabilities（GPT-4o图像生成能力实证研究） [02:22] 🚀 Hogwild! Inference: Parallel LLM...

本期的 15 篇论文如下： [00:21] 🎬 One-Minute Video Generation with Test-Time Training（基于测试时训练的分钟级视频生成） [01:03] 💡 SmolVLM: Redefining small and efficient multimodal models（SmolVLM：重新定义小型高效多模态模型） [01:39] 🖼 URECA: Unique Region Caption Anything（URECA：独特区域描述一切） [02:17] 🧰 T1: Tool-integrated Self-verification for Test-time Compute Scaling in Small Language...

本期的 15 篇论文如下： [00:23] 🛠 Multi-SWE-bench: A Multilingual Benchmark for Issue Resolving（Multi-SWE-bench：一个用于问题解决的多语言基准测试） [01:07] 🧠 Agentic Knowledgeable Self-awareness（具身智能的知识型自我感知） [01:49] 🧮 MegaMath: Pushing the Limits of Open Math Corpora（MegaMath：推动开放数学语料库的极限） [02:32] 🤖 SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge...

本期的 10 篇论文如下： [00:42] TOP1(🔥226) | 🤖 Feature-Level Insights into Artificial Text Detection with Sparse Autoencoders（基于稀疏自编码器的人工文本检测特征分析） [03:07] TOP2(🔥153) | 🧠 Transformers without Normalization（无需归一化的Transformer） [04:59] TOP3(🔥136) | 🎥 DropletVideo: A Dataset and Approach to Explore Integral Spatio-Temporal Consistent Video Generation（DropletVideo：探...

本期的 5 篇论文如下： [00:40] TOP1(🔥101) | 🧠 Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems（具身智能体的进展与挑战：从脑启发智能到进化、协作与安全系统） [03:17] TOP2(🔥83) | 🖼 TextCrafter: Accurately Rendering Multiple Texts in Complex Visual Scenes（TextCrafter：复杂视觉场景中准确渲染多重文本） [05:27] TOP3(🔥80)...

本期的 15 篇论文如下： [00:19] 🧠 Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems（具身智能体的进展与挑战：从脑启发智能到进化、协作与安全系统） [01:01] 🖼 Envisioning Beyond the Pixels: Benchmarking Reasoning-Informed Visual Editing（超越像素的展望：推理驱动的视觉编辑基准测试） [01:41] 🖼 GPT-ImgEval: A Comprehensive Ben...

本期的 15 篇论文如下： [00:23] 🎨 MergeVQ: A Unified Framework for Visual Generation and Representation with Disentangled Token Merging and Quantization（MergeVQ：一种用于视觉生成和表示的统一框架，具有解耦的Token合并和量化） [01:00] 🧠 Improved Visual-Spatial Reasoning via R1-Zero-Like Training（通过类R1-Zero训练改进视觉空间推理） [01:45] 🎮 AnimeGamer: Infinite Anime Life Simulation with Next Gam...

本期的 15 篇论文如下： [00:21] 🎬 Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation（Any2Caption：将任意条件解析为描述以实现可控视频生成） [01:01] 🎬 Exploring the Effect of Reinforcement Learning on Video Understanding: Insights from SEED-Bench-R1（探索强化学习对视频理解的影响：来自SEED-Bench-R1的见解） [01:48] ⚖ JudgeLRM: Large Reasoning Models as a Judge（Judge...

本期的 15 篇论文如下： [00:22] 🖼 TextCrafter: Accurately Rendering Multiple Texts in Complex Visual Scenes（TextCrafter：复杂视觉场景中准确渲染多个文本） [00:59] 🎬 MoCha: Towards Movie-Grade Talking Character Synthesis（MoCha：面向电影级对话角色合成） [01:39] 🔍 What, How, Where, and How Well? A Survey on Test-Time Scaling in Large Language Models（什么、如何、何地以及如何有效？大型语言模型中测试...

本期的 15 篇论文如下： [00:22] 💡 AdaptiVocab: Enhancing LLM Efficiency in Focused Domains through Lightweight Vocabulary Adaptation（AdaptiVocab：通过轻量级词汇自适应增强LLM在特定领域的效率） [01:01] 🤖 Exploring Data Scaling Trends and Effects in Reinforcement Learning from Human Feedback（探索人类反馈强化学习中的数据缩放趋势与影响） [01:41] 🤔 Think Before Recommend: Unleashing the Latent Reaso...

本期的 5 篇论文如下： [00:37] TOP1(🔥109) | 🧠 I Have Covered All the Bases Here: Interpreting Reasoning Features in Large Language Models via Sparse Autoencoders（我已经覆盖了所有基础：通过稀疏自编码器解读大型语言模型中的推理特征） [02:42] TOP2(🔥92) | 🤖 Qwen2.5-Omni Technical Report（Qwen2.5-Omni技术报告） [05:10] TOP3(🔥83) | 🎬 Video-T1: Test-Time Scaling for Video Generation（Video-T1：面向...

本期的 15 篇论文如下： [00:22] 🧠 Video-R1: Reinforcing Video Reasoning in MLLMs（Video-R1：增强多模态大语言模型中的视频推理） [01:02] 📱 UI-R1: Enhancing Action Prediction of GUI Agents by Reinforcement Learning（UI-R1：通过强化学习增强GUI代理的动作预测） [01:41] 🤯 Challenging the Boundaries of Reasoning: An Olympiad-Level Math Benchmark for Large Language Models（挑战推理的边界：一个面向大型语...

本期的 15 篇论文如下： [00:26] 🤖 Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy（Dita：扩展扩散Transformer以实现通用视觉-语言-动作策略） [01:07] 🤖 Qwen2.5-Omni Technical Report（Qwen2.5-Omni技术报告） [01:46] 🧩 LEGO-Puzzles: How Good Are MLLMs at Multi-Step Spatial Reasoning?（乐高拼图：多模态大型语言模型在多步空间推理方面的表现如何？） [02:35] 🎬 Wan: Open and...

本期的 15 篇论文如下： [00:22] 🎬 Long-Context Autoregressive Video Modeling with Next-Frame Prediction（基于下一帧预测的长程上下文自回归视频建模） [01:01] 🖼 CoMP: Continual Multimodal Pre-training for Vision Foundation Models（CoMP：面向视觉基础模型的持续多模态预训练） [01:42] 🎬 Exploring Hallucination of Large Multimodal Models in Video Understanding: Benchmark, Analysis and Mitigation（探索大...

本期的 15 篇论文如下： [00:24] 🧠 I Have Covered All the Bases Here: Interpreting Reasoning Features in Large Language Models via Sparse Autoencoders（我已经覆盖了所有基础：通过稀疏自编码器解读大型语言模型中的推理特征） [01:03] 🎮 Position: Interactive Generative Video as Next-Generation Game Engine（立场：交互式生成视频作为下一代游戏引擎） [01:47] 🎬 Video-T1: Test-Time Scaling for Video Generati...

本期的 15 篇论文如下： [00:22] 🧠 MAPS: A Multi-Agent Framework Based on Big Seven Personality and Socratic Guidance for Multimodal Scientific Problem Solving（MAPS：一个基于大七人格和苏格拉底指导的多智能体框架，用于多模态科学问题求解） [01:09] 🤖 MARS: A Multi-Agent Framework Incorporating Socratic Guidance for Automated Prompt Optimization（MARS：一个融合苏格拉底式指导的多智能体自动提示优化框架...

本期的 5 篇论文如下： [00:37] TOP1(🔥118) | 🦢 RWKV-7 "Goose" with Expressive Dynamic State Evolution（RWKV-7 "Goose"：具有表达性动态状态演化的序列建模） [02:36] TOP2(🔥115) | 🎥 ReCamMaster: Camera-Controlled Generative Rendering from A Single Video（ReCamMaster：基于单视频的相机控制生成式渲染） [05:18] TOP3(🔥89) | 🤖 DAPO: An Open-Source LLM Reinforcement Learning System at Scale（DAPO：一个大...

本期的 15 篇论文如下： [00:23] 🖼 One-Step Residual Shifting Diffusion for Image Super-Resolution via Distillation（基于蒸馏的单步残差转移扩散超分辨率） [01:01] 🤔 Stop Overthinking: A Survey on Efficient Reasoning for Large Language Models（停止过度思考：大型语言模型高效推理综述） [01:38] 🚀 Unleashing Vecset Diffusion Model for Fast Shape Generation（释放Vecset扩散模型以实现快速形状生成） [02:18]...