HuggingFace 每日AI论文速递

本期的 19 篇论文如下： [00:24] 🔄 Revisit Large-Scale Image-Caption Data in Pre-training Multimodal Foundation Models（重新审视大规模图像-文本数据在多模态基础模型预训练中的作用） [01:04] 🎥 Loong: Generating Minute-level Long Videos with Autoregressive Language Models（使用自回归语言模型生成分钟级长视频） [01:39] 🎥 Video Instruction Tuning With Synthetic Data（使用合成数据进行视频指令调优） [02:1...

本期的 20 篇论文如下： [00:23] 🐞 From Code to Correctness: Closing the Last Mile of Code Generation with Hierarchical Debugging（从代码到正确性：通过分层调试解决代码生成的最后一步） [01:08] 📄 LEOPARD : A Vision Language Model For Text-Rich Multi-Image Tasks（LEOPARD：用于文本丰富的多图像任务的视觉语言模型） [01:48] 📊 Is Preference Alignment Always the Best Option to Enhance LLM-Based Translatio...

本期的 13 篇论文如下： [00:26] 🔗 Law of the Weakest Link: Cross Capabilities of Large Language Models（最弱环节法则：大型语言模型的跨能力） [01:05] 🌐 TPI-LLM: Serving 70B-scale LLMs Efficiently on Low-resource Edge Devices（TPI-LLM：在低资源边缘设备上高效服务70B规模的大型语言模型） [01:46] 🌍 Atlas-Chat: Adapting Large Language Models for Low-Resource Moroccan Arabic Dialect（Atlas-Chat：为低资...

本期的 11 篇论文如下： [00:26] 🌐 MM1.5: Methods, Analysis & Insights from Multimodal LLM Fine-tuning（MM1.5：多模态大语言模型微调的方法、分析与见解） [01:04] 📏 Ruler: A Model-Agnostic Method to Control Generated Length for Large Language Models（Ruler：一种用于控制大型语言模型生成长度的模型无关方法） [01:41] 🗣 DiaSynth -- Synthetic Dialogue Generation Framework（DiaSynth -- 合成对话生成框架） [0...

本期的 9 篇论文如下： [00:24] 🧠 Emu3: Next-Token Prediction is All You Need（Emu3：下一个词预测是您所需要的全部） [00:53] 🌐 MIO: A Foundation Model on Multimodal Tokens（多模态标记的基础模型：MIO） [01:26] 🔍 VPTQ: Extreme Low-bit Vector Post-Training Quantization for Large Language Models（VPTQ：大语言模型的极端低比特向量后训练量化） [02:21] 🎥 PhysGen: Rigid-Body Physics-Grounded Image-to-Vide...

本期的 5 篇论文如下： [00:42] TOP1(🔥70) | 🌐 Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models（Molmo 和 PixMo：用于最先进多模态模型的开放权重和开放数据） [02:56] TOP2(🔥64) | 🖼 Imagine yourself: Tuning-Free Personalized Image Generation（想象你自己：无调参个性化图像生成） [05:08] TOP3(🔥48) | 🤖 Programming Every Example: Lifting Pre-training Data Quality like Ex...

本期的 12 篇论文如下： [00:27] 🌐 LLaVA-3D: A Simple yet Effective Pathway to Empowering LMMs with 3D-awareness（LLaVA-3D：一种简单而有效的路径，赋予多模态模型3D感知能力） [01:10] 🧩 MaskLLM: Learnable Semi-Structured Sparsity for Large Language Models（MaskLLM：大型语言模型的可学习半结构化稀疏性） [01:49] 🎭 EMOVA: Empowering Language Models to See, Hear and Speak with Vivid Emotions（EMOVA：赋予...

本期的 10 篇论文如下： [00:32] 🤖 Programming Every Example: Lifting Pre-training Data Quality like Experts at Scale（编程每个示例：大规模提升预训练数据质量如专家） [01:13] 🌐 Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models（Molmo 和 PixMo：用于最先进多模态模型的开源权重和数据） [01:51] 🩺 Boosting Healthcare LLMs Through Retrieved Context（通过检索上下文提升医疗...

本期的 17 篇论文如下： [00:28] 📄 HelloBench: Evaluating Long Text Generation Capabilities of Large Language Models（HelloBench：评估大型语言模型的长文本生成能力） [01:14] 🌐 Making Text Embedders Few-Shot Learners（利用大语言模型使多语言文本嵌入器成为少样本学习者） [01:51] 🌐 OmniBench: Towards The Future of Universal Omni-Language Models（OmniBench：迈向通用全能语言模型的未来） [02:29] 🔄 Presen...

本期的 14 篇论文如下： [00:25] 🤖 RACER: Rich Language-Guided Failure Recovery Policies for Imitation Learning（RACER：基于丰富语言引导的模仿学习失败恢复策略） [01:00] 🩺 A Preliminary Study of o1 in Medicine: Are We Closer to an AI Doctor?（医学领域中o1的初步研究：我们离AI医生更近了吗？） [01:34] 🧙 PixWizard: Versatile Image-to-Image Visual Assistant with Open-Language Instructions（PixWizard：...

本期的 11 篇论文如下： [00:26] 🎨 Imagine yourself: Tuning-Free Personalized Image Generation（想象自己：无调优个性化图像生成） [01:02] 😂 YesBut: A High-Quality Annotated Multimodal Dataset for evaluating Satire Comprehension capability of Vision-Language Models（YesBut：评估视觉语言模型讽刺理解能力的高质量多模态数据集） [01:40] 🌍 Prithvi WxC: Foundation Model for Weather and Climate（Prithvi Wx...

本期的 5 篇论文如下： [00:42] TOP1(🔥86) | 🚀 Qwen2.5-Coder Technical Report（Qwen2.5-Coder 技术报告） [03:55] TOP2(🔥74) | 🤖 Training Language Models to Self-Correct via Reinforcement Learning（通过强化学习训练语言模型进行自我修正） [05:47] TOP3(🔥67) | 🌐 OmniGen: Unified Image Generation（OmniGen：统一图像生成） [07:51] TOP4(🔥54) | 🌍 Qwen2-VL: Enhancing Vision-Language Model's Perception of...

本期的 15 篇论文如下： [00:24] 🤖 Training Language Models to Self-Correct via Reinforcement Learning（通过强化学习训练语言模型进行自我修正） [01:03] 📚 InfiMM-WebMath-40B: Advancing Multimodal Pre-Training for Enhanced Mathematical Reasoning（InfiMM-WebMath-40B：推进多模态预训练以增强数学推理） [01:40] 🔍 MMSearch: Benchmarking the Potential of Large Models as Multi-modal Search Engines（MMSearch...

本期的 11 篇论文如下： [00:28] 🚀 Qwen2.5-Coder Technical Report（Qwen2.5-Coder 技术报告） [01:06] 🌍 Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution（Qwen2-VL：增强视觉-语言模型在任意分辨率下的世界感知能力） [01:47] 🎯 LLMs + Persona-Plug = Personalized LLMs（LLMs + Persona-Plug = 个性化LLMs） [02:32] 🔍 To CoT or not to CoT? Chain-of-thought helps mainly on...

本期的 15 篇论文如下： [00:26] 🌐 OmniGen: Unified Image Generation（OmniGen：统一图像生成） [01:02] 🌐 NVLM: Open Frontier-Class Multimodal LLMs（NVLM：开放前沿类多模态大语言模型） [01:41] 🔍 Fine-Tuning Image-Conditional Diffusion Models is Easier than You Think（微调图像条件扩散模型比你想象的更容易） [02:15] 🌐 Phidias: A Generative Model for Creating 3D Content from Text, Image, and 3D Conditi...

本期的 13 篇论文如下： [00:26] 🎵 Seed-Music: A Unified Framework for High Quality and Controlled Music Generation（Seed-Music：高质量和可控音乐生成的统一框架） [01:03] ⚡ RetrievalAttention: Accelerating Long-Context LLM Inference via Vector Retrieval（通过向量检索加速长上下文大语言模型推理） [01:46] 🌐 Ferret: Federated Full-Parameter Tuning at Scale for Large Language Models（Ferret：大规模联邦...

本期的 7 篇论文如下： [00:23] 💡 A Diffusion Approach to Radiance Field Relighting using Multi-Illumination Synthesis（使用多光照合成的辐射场重光照的扩散方法） [00:56] 🖱 InstantDrag: Improving Interactivity in Drag-based Image Editing（即时拖拽：提升基于拖拽的图像编辑交互性） [01:31] 🎥 Robust Dual Gaussian Splatting for Immersive Human-centric Volumetric Videos（鲁棒双高斯散射用于沉浸式以人为中心...

本期的 5 篇论文如下： [00:41] TOP1(🔥65) | 📚 Towards a Unified View of Preference Learning for Large Language Models: A Survey（面向大型语言模型的偏好学习统一视图：综述） [02:48] TOP2(🔥50) | 🎭 PingPong: A Benchmark for Role-Playing Language Models with User Emulation and Multi-Model Evaluation（PingPong：用于用户模拟和多模型评估的角色扮演语言模型基准） [05:15] TOP3(🔥44) | 🩺 MEDIC: Towards a C...

本期的 9 篇论文如下： [00:27] 💻 Windows Agent Arena: Evaluating Multi-Modal OS Agents at Scale（Windows Agent Arena: 大规模评估多模态操作系统代理） [01:03] 🤖 Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers（大语言模型能否生成新颖的研究想法？一项与100多名NLP研究人员合作的大规模人类研究） [01:37] 🖼 IFAdapter: Instance Feature Control for Grounded Text-to...

[00:25] 🎭 PingPong: A Benchmark for Role-Playing Language Models with User Emulation and Multi-Model Evaluation（PingPong：用户模拟和多模型评估的角色扮演语言模型基准） [01:05] 🩺 MEDIC: Towards a Comprehensive Framework for Evaluating LLMs in Clinical Applications（MEDIC：评估临床应用中大型语言模型的综合框架） [01:56] 🧠 Agent Workflow Memory（代理工作流程记忆） [02:38] 🔄 Gated Slot Attention fo...

大家好，欢迎收听今天的'Hugging Face 每日AI论文速递'。今天是2024年9月11日，我们将带您快速浏览7篇热门AI论文，内容涵盖检索增强生成系统评估、弱监督功能定位、大型语言模型的语音交互、歌曲生成系统、视频到音频合成、扩散模型微调以及3D关节的潜在视图不变嵌入。现在，让我们立即进入今天的论文速递。 [00:31] 📊 GroUSE: A Benchmark to Evaluate Evaluators in Grounded Question Answering（GroUSE: 评估基于检索增强生成...

大家好，欢迎来到'Hugging Face 每日AI论文速递'。今天是2024年9月10日，我们将带您快速浏览12篇热门AI论文，涵盖大语言模型、多模态学习、知识发现、机器翻译等多个前沿领域。现在，让我们立即进入今天的论文速递。 [00:24] 📚 Towards a Unified View of Preference Learning for Large Language Models: A Survey（面向大语言模型偏好学习的统一视角：综述） [01:04] 📊 MMEvol: Empowering Multimodal Large Language Models w...

各位听众朋友，大家好！今天是2024年9月09日。今天我们将带您快速浏览Hugging Face上的5篇热门AI论文，内容涵盖代码大语言模型的指令调优、可配置基础模型的模块化构建、开放式MAGVIT2的自回归视觉生成、奇虎-T2X的文本到任务扩散变换器，以及GST的高斯喷射变换器在3D人体重建中的应用。现在，让我们立即进入今天的论文速递！ [00:34] 🔍 How Do Your Code LLMs Perform? Empowering Code Instruction Tuning with High-Quality Da...

各位听众朋友，大家好！欢迎收听本周的“Hugging Face 每日AI论文速递”周末特辑。每周日，我们都会为您带来一周内Hugging Face上最热门的AI论文汇总。本期节目涵盖了2024年9月2日至2024年9月8日期间的热门论文。 本期我们将为您介绍5篇精彩论文，内容涉及图像编辑的自引导机制、音频驱动的人物头像技术、胃肠道数据集的文本图像对、开放式混合专家语言模型，以及大语言模型中的注意力头调查。 现在，让我们立即进入本期论文的精彩内...

大家好，欢迎收听今天的'Hugging Face 每日AI论文速递'。今天是2024年9月06日，我们将带您快速浏览10篇热门AI论文，涵盖大语言模型、模糊测试、图像编辑、文档理解等多个前沿领域。现在，让我们立即进入今天的论文速递。 [00:23] 🔍 Attention Heads of Large Language Models: A Survey（大语言模型中的注意力头：一项调查） [01:10] 🧠 FuzzCoder: Byte-level Fuzzing Test via Large Language Model（FuzzCoder：基于大语言模型...