HuggingFace 每日AI论文速递

本期的 4 篇论文如下： [00:27] 🖼 How Well Does GPT-4o Understand Vision? Evaluating Multimodal Foundation Models on Standard Computer Vision Tasks（GPT-4o的视觉理解能力如何？在标准计算机视觉任务上评估多模态基础模型） [01:09] 🌌 Lost in Latent Space: An Empirical Study of Latent Diffusion Models for Physics Emulation（迷失于潜在空间：用于物理模拟的潜在扩散模型实证研究） [01:45] 🇮 Eka-Eval : A Compre...

本期的 5 篇论文如下： [00:35] TOP1(🔥165) | 🧠 GLM-4.1V-Thinking: Towards Versatile Multimodal Reasoning with Scalable Reinforcement Learning（GLM-4.1V-Thinking：基于可扩展强化学习的通用多模态推理） [02:53] TOP2(🔥108) | 🎬 Kwai Keye-VL Technical Report（Kwai Keye-VL 技术报告） [05:17] TOP3(🔥67) | 🎨 LongAnimation: Long Animation Generation with Dynamic Global-Local Memory（LongAnimation：基于动...

本期的 10 篇论文如下： [00:37] TOP1(🔥258) | 💡 Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning（反思、重试、奖励：通过强化学习实现LLM的自我提升） [02:51] TOP2(🔥249) | 💡 MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention（MiniMax-M1：利用闪电注意力高效扩展测试时计算） [05:24] TOP3(🔥240) | 🤖 Reinforcement Pre-Training（强化预训练） [07:54] TOP4(🔥1...

本期的 15 篇论文如下： [00:22] 🧭 WebSailor: Navigating Super-human Reasoning for Web Agent（WebSailor：为Web Agent导航超人推理） [00:59] 🖼 LangScene-X: Reconstruct Generalizable 3D Language-Embedded Scenes with TriMap Video Diffusion（LangScene-X：通过TriMap视频扩散重建可泛化的3D语言嵌入场景） [01:44] 🧬 IntFold: A Controllable Foundation Model for General and Specialized Biomolecular Structure P...

本期的 9 篇论文如下： [00:21] 🎬 Kwai Keye-VL Technical Report（Kwai Keye-VL 技术报告） [01:02] 🎨 LongAnimation: Long Animation Generation with Dynamic Global-Local Memory（LongAnimation：基于动态全局-局部记忆的长期动画生成） [01:50] 👁 Depth Anything at Any Condition（任意条件下的深度感知） [02:28] 🤖 A Survey on Vision-Language-Action Models: An Action Tokenization Perspective（视觉-语言-动作模...

本期的 12 篇论文如下： [00:23] 💡 GLM-4.1V-Thinking: Towards Versatile Multimodal Reasoning with Scalable Reinforcement Learning（GLM-4.1V-Thinking：基于可扩展强化学习的通用多模态推理） [01:00] 🖼 MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings（MoCa：模态感知持续预训练提升双向多模态嵌入效果） [01:35] 🔬 SciArena: An Open Evaluation Platform for Foundati...

本期的 15 篇论文如下： [00:21] 🖼 Ovis-U1 Technical Report（Ovis-U1 技术报告） [00:58] 🎬 VMoBA: Mixture-of-Block Attention for Video Diffusion Models（VMoBA：用于视频扩散模型的混合块注意力机制） [01:36] ✍ Calligrapher: Freestyle Text Image Customization（书法家：自由风格的文本图像定制） [02:21] 🖼 Listener-Rewarded Thinking in VLMs for Image Preferences（图像偏好：视觉语言模型中基于监听者奖励的思考...

本期的 14 篇论文如下： [00:26] 🎨 BlenderFusion: 3D-Grounded Visual Editing and Generative Compositing（BlenderFusion：基于3D的视觉编辑和生成式合成） [00:59] ✂ LLaVA-Scissor: Token Compression with Semantic Connected Components for Video LLMs（LLaVA-Scissor：基于语义连通分量的视频LLM令牌压缩） [01:42] 🖼 XVerse: Consistent Multi-Subject Control of Identity and Semantic Attributes via DiT Modulation...

本期的 5 篇论文如下： [00:42] TOP1(🔥107) | 🧲 Drag-and-Drop LLMs: Zero-Shot Prompt-to-Weights（拖拽式大语言模型：零样本提示到权重） [02:39] TOP2(🔥80) | 💡 Light of Normals: Unified Feature Representation for Universal Photometric Stereo（法线光照：用于通用光度立体的统一特征表示） [04:59] TOP3(🔥79) | 🖼 Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding（...

本期的 15 篇论文如下： [00:25] 🔍 MMSearch-R1: Incentivizing LMMs to Search（MMSearch-R1：激励大型多模态模型进行搜索） [00:59] 🚗 MADrive: Memory-Augmented Driving Scene Modeling（MADrive：基于记忆增强的驾驶场景建模） [01:43] 🤖 WorldVLA: Towards Autoregressive Action World Model（WorldVLA：面向自回归动作世界模型） [02:23] 💡 Where to find Grokking in LLM Pretraining? Monitor Memorization-to-Gener...

本期的 14 篇论文如下： [00:23] 🖼 ShareGPT-4o-Image: Aligning Multimodal Models with GPT-4o-Level Image Generation（ShareGPT-4o-Image：通过GPT-4o级别的图像生成能力对齐多模态模型） [01:05] 🛡 Outlier-Safe Pre-Training for Robust 4-Bit Quantization of Large Language Models（面向稳健4比特量化的异常值安全预训练大语言模型） [01:49] 🎨 Inverse-and-Edit: Effective and Fast Image Editing by Cycle Consistenc...

本期的 15 篇论文如下： [00:25] 🤖 AnimaX: Animating the Inanimate in 3D with Joint Video-Pose Diffusion Models（AnimaX：利用联合视频-姿态扩散模型为3D非生物体赋予动画效果） [01:11] 🎮 Matrix-Game: Interactive World Foundation Model（矩阵游戏：交互式世界基础模型） [01:50] 🧠 GRPO-CARE: Consistency-Aware Reinforcement Learning for Multimodal Reasoning（GRPO-CARE：一致性感知的多模态推理强化学习） [02:...

本期的 15 篇论文如下： [00:24] 💡 Light of Normals: Unified Feature Representation for Universal Photometric Stereo（法线光照：用于通用光度立体的统一特征表示） [01:00] 🎨 OmniGen2: Exploration to Advanced Multimodal Generation（OmniGen2：迈向更高级的多模态生成探索） [01:39] ✍ LongWriter-Zero: Mastering Ultra-Long Text Generation via Reinforcement Learning（LongWriter-Zero：通过强化学习掌握超长文本...

本期的 12 篇论文如下： [00:23] 🧲 Drag-and-Drop LLMs: Zero-Shot Prompt-to-Weights（拖拽式大语言模型：零样本提示到权重） [01:04] 🖼 Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding（视觉引导分块：增强RAG的多模态文档理解方案） [01:49] 🔀 PAROAttention: Pattern-Aware ReOrdering for Efficient Sparse and Quantized Attention in Visual Generation Models（PAROAtt...

本期的 5 篇论文如下： [00:36] TOP1(🔥216) | 💡 MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention（MiniMax-M1：利用闪电注意力高效扩展测试时计算） [02:44] TOP2(🔥82) | 📊 MultiFinBen: A Multilingual, Multimodal, and Difficulty-Aware Benchmark for Financial LLM Evaluation（MultiFinBen：一个多语言、多模态和难度感知的金融领域大语言模型评估基准） [05:32] TOP3(🔥64) | 🔬 Scientis...

本期的 4 篇论文如下： [00:24] 🧠 Revisiting Reinforcement Learning for LLM Reasoning from A Cross-Domain Perspective（跨领域视角下重新审视强化学习在大型语言模型推理中的应用） [01:00] 🗣 EmoNet-Voice: A Fine-Grained, Expert-Verified Benchmark for Speech Emotion Detection（EmoNet-Voice：一个用于语音情感检测的精细化、专家验证的基准） [01:55] 🎵 SonicVerse: Multi-Task Learning for Music Feature-Informe...

本期的 15 篇论文如下： [00:22] 🌍 Sekai: A Video Dataset towards World Exploration（Sekai：一个面向世界探索的视频数据集） [01:02] 💡 ProtoReasoning: Prototypes as the Foundation for Generalizable Reasoning in LLMs（原型推理：作为大型语言模型中通用推理基础的原型） [01:43] 💡 GenRecal: Generation after Recalibration from Large to Small Vision-Language Models（GenRecal：从大型到小型视觉-语言模型的重...

本期的 15 篇论文如下： [00:23] 📊 MultiFinBen: A Multilingual, Multimodal, and Difficulty-Aware Benchmark for Financial LLM Evaluation（MultiFinBen：一个多语言、多模态和难度感知的金融领域大语言模型评估基准） [01:03] 🤖 Scaling Test-time Compute for LLM Agents（扩展LLM Agent的测试时计算） [01:38] 🎼 CMI-Bench: A Comprehensive Benchmark for Evaluating Music Instruction Following（CMI-Bench：一个评估...

本期的 15 篇论文如下： [00:22] 💡 MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning Attention（MiniMax-M1：利用闪电注意力高效扩展测试时计算） [01:00] 🔬 Scientists' First Exam: Probing Cognitive Abilities of MLLM via Perception, Understanding, and Reasoning（科学家的首次考试：通过感知、理解和推理来探索多模态大型语言模型的认知能力） [01:47] 🧐 DeepResearch Bench: A Comprehensive Benc...

本期的 15 篇论文如下： [00:23] 🖼 Aligned Novel View Image and Geometry Synthesis via Cross-modal Attention Instillation（基于跨模态注意力提炼的对齐新视角图像与几何体合成） [01:02] 🛡 Effective Red-Teaming of Policy-Adherent Agents（有效对抗策略依从型智能体） [01:39] 🔄 The Diffusion Duality（扩散二元性） [02:20] 🤖 LiveCodeBench Pro: How Do Olympiad Medalists Judge LLMs in Competitive Programming?...

本期的 5 篇论文如下： [00:43] TOP1(🔥199) | 🤖 Reinforcement Pre-Training（强化预训练） [03:06] TOP2(🔥124) | 🕰 Will It Still Be True Tomorrow? Multilingual Evergreen Question Classification to Improve Trustworthy QA（明日依旧为真吗？多语种常青问题分类以提升可信赖的问答系统） [05:07] TOP3(🔥105) | 🧠 Confidence Is All You Need: Few-Shot RL Fine-Tuning of Language Models（自信即全部：基于语言模型的...

本期的 15 篇论文如下： [00:22] 🩺 ReasonMed: A 370K Multi-Agent Generated Dataset for Advancing Medical Reasoning（ReasonMed：一个用于推进医学推理的37万多智能体生成数据集） [01:12] 🏭 SWE-Factory: Your Automated Factory for Issue Resolution Training Data and Evaluation Benchmarks（SWE-Factory：你的问题解决训练数据和评估基准自动化工厂） [01:55] 🖼 Text-Aware Image Restoration with Diffusion Models（...

本期的 13 篇论文如下： [00:23] 🧠 Confidence Is All You Need: Few-Shot RL Fine-Tuning of Language Models（自信即全部：基于语言模型的小样本强化学习微调） [01:07] 🎬 Seedance 1.0: Exploring the Boundaries of Video Generation Models（Seedance 1.0：探索视频生成模型的边界） [01:50] 🥽 PlayerOne: Egocentric World Simulator（PlayerOne：以自我为中心的真实世界模拟器） [02:30] 🎬 Autoregressive Adversarial...

本期的 15 篇论文如下： [00:22] 🌍 Geopolitical biases in LLMs: what are the "good" and the "bad" countries according to contemporary language models（LLM中的地缘政治偏见：在当代语言模型中，哪些是“好”国家，哪些是“坏”国家？） [01:09] 🤖 RuleReasoner: Reinforced Rule-based Reasoning via Domain-aware Dynamic Sampling（RuleReasoner：基于领域感知动态采样的强化规则推理） [01:48] 🖼 Autoregressive Semantic...

本期的 15 篇论文如下： [00:21] 🤖 Reinforcement Pre-Training（强化预训练） [01:01] 🩺 Lingshu: A Generalist Foundation Model for Unified Multimodal Medical Understanding and Reasoning（灵枢：用于统一多模态医学理解与推理的通用基础模型） [01:42] 📱 MiniCPM4: Ultra-Efficient LLMs on End Devices（MiniCPM4：终端设备上的超高效大型语言模型） [02:30] 🛡 Saffron-1: Towards an Inference Scaling Paradigm for...