duan

HuggingFace 每日AI论文速递

Technology ZH ↓ 647 episodes

每天10分钟，带您快速了解当日HuggingFace热门AI论文内容。每个工作日更新，欢迎订阅。📢播客节目在小宇宙、Apple Podcast平台搜索【HuggingFace 每日AI论文速递】🖼另外还有图文版，可在小红书搜索并关注【AI速递】

Author

duan

Episodes

【周末特辑】4月第2周最火AI论文 | SmolVLM优化多模态模型性能；OmniSVG提升SVG生成质量。 12.04.2025 12:45

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(🔥...

2025.04.11 | Kimi-VL模型表现优异；VCR-Bench评估推理瓶颈。 11.04.2025 10:32

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...

2025.04.10 | DDT提升图像生成质量；GenDoP优化相机轨迹生成。 10.04.2025 10:49

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...

2025.04.09 | OmniSVG生成高质量SVG图形；Skywork R1V多模态推理出色。 09.04.2025 9:42

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...

2025.04.08 | 分钟级AI视频生成；小型模型超越大型模型 08.04.2025 10:50

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...

2025.04.07 | 多语言基准测试揭示LLMs跨语言泛化局限，具身智能新方法提升规划效率与适应性。 07.04.2025 11:16

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...

【月末特辑】3月最火AI论文 | 稀疏自编码器提升文本检测，动态Tanh优化Transformer 06.04.2025 25:09

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...

【周末特辑】4月第1周最火AI论文 | 智能体设计挑战，视觉文本生成创新。 05.04.2025 12:58

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)...

2025.04.04 | 智能体自主提升，视觉编辑推理重要。 04.04.2025 11:06

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...

2025.04.03 | MergeVQ高效生成高质量图像，类R1-Zero提升视觉空间推理。 03.04.2025 10:53

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...

2025.04.02 | 视频生成精度提升，强化学习增强视频理解。 02.04.2025 11:28

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...

2025.04.01 | 多文本渲染新方法，电影级对话角色合成 01.04.2025 11:40

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...

2025.03.31 | 减少token使用，提升领域效率。 31.03.2025 10:50

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...

【周末特辑】3月第4周最火AI论文 | 稀疏自编码器解读LLM推理特征，多模态模型创新。 29.03.2025 13:03

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...

2025.03.28 | 视频推理提升，GUI动作预测优化 28.03.2025 10:44

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...

2025.03.27 | Dita跨模态策略优异，Qwen2.5-Omni多模态实时响应。 27.03.2025 11:01

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...

2025.03.26 | 视频预测性能提升，多模态预训练效果显著。 26.03.2025 10:56

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...

2025.03.25 | 稀疏自编码器解读LLM中的推理特征，交互视频革新 25.03.2025 11:13

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...

2025.03.24 | 多智能体协作提升性能，苏格拉底式对话优化提示。 24.03.2025 11:24

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...

【周末特辑】3月第3周最火AI论文 | 序列建模创新，视频渲染突破 22.03.2025 12:56

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...

2025.03.21 | 蒸馏提升超分辨率效率，优化推理减少计算负担。 21.03.2025 10:55

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]...

2025.03.20 | 自适应前瞻采样优化推理；强化学习提升3D网格质量 20.03.2025 10:59

本期的 15 篇论文如下： [00:23] 🔍 $φ$-Decoding: Adaptive Foresight Sampling for Balanced Inference-Time Exploration and Exploitation（$\phi$-解码：用于平衡推理时探索与利用的自适应前瞻采样） [01:08] 🎨 DeepMesh: Auto-Regressive Artist-mesh Creation with Reinforcement Learning（DeepMesh：基于强化学习的自回归艺术家网格创建） [01:51] 🌷 TULIP: Towards Unified Language-Image Pretraining（TULIP：迈向统...

2025.03.19 | 动态序列建模优势，视频生成理解挑战 19.03.2025 10:54

本期的 15 篇论文如下： [00:21] 🦢 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） [00:55] 🤯 Impossible Videos（不可能的视频） [01:38] 🎨 Creation-MMBench: Assessing Context-Aware Creative Intelligence in MLLM（Creation-MMBench：评估多模态大型语言模型中具有上下文感知能力的创造性智能） [02:17] 🤖 DAPO: An Open-Source LLM Reinforcement Learn...

2025.03.18 | 视频生成新方法，人形机器人新框架 18.03.2025 10:54

本期的 15 篇论文如下： [00:21] 🎥 DropletVideo: A Dataset and Approach to Explore Integral Spatio-Temporal Consistent Video Generation（DropletVideo：探索整体时空一致性视频生成的数据集与方法） [01:10] 🤖 Being-0: A Humanoid Robotic Agent with Vision-Language Models and Modular Skills（Being-0：一个具有视觉-语言模型和模块化技能的人形机器人代理） [01:49] 🖼 DreamRenderer: Taming Multi-Instance Attrib...

2025.03.17 | 新相机轨迹生成，稀疏性提升图像质量 17.03.2025 11:08

本期的 15 篇论文如下： [00:25] 🎥 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） [01:11] 💡 PLADIS: Pushing the Limits of Attention in Diffusion Models at Inference Time by Leveraging Sparsity（PLADIS：通过利用稀疏性，在扩散模型推理时突破注意力机制的限制） [01:50] 🤖 Adversarial Data Collection: Human-Collaborative Perturbatio...