HuggingFace 每日AI论文速递

本期的 5 篇论文如下： [00:35] TOP1(🔥258) | ⚡ MiniMax-01: Scaling Foundation Models with Lightning Attention（MiniMax-01：基于闪电注意力机制扩展基础模型） [02:52] TOP2(🔥77) | 📊 The Lessons of Developing Process Reward Models in Mathematical Reasoning（数学推理中过程奖励模型开发的经验教训） [05:06] TOP3(🔥66) | 🧠 Tensor Product Attention Is All You Need（张量积注意力机制是关键） [06:49] TOP4(🔥...

本期的 12 篇论文如下： [00:26] 🧠 OmniThink: Expanding Knowledge Boundaries in Machine Writing through Thinking（OmniThink：通过思考扩展机器写作的知识边界） [01:06] 🔍 Inference-Time Scaling for Diffusion Models beyond Scaling Denoising Steps（扩散模型推理时扩展：超越去噪步骤的扩展） [01:37] 🩺 Exploring the Inquiry-Diagnosis Relationship with Advanced Patient Simulators（探索高级患者模拟器中的问...

本期的 9 篇论文如下： [00:25] 📊 MMDocIR: Benchmarking Multi-Modal Retrieval for Long Documents（MMDocIR：长文档多模态检索的基准测试） [01:06] 🏙 CityDreamer4D: Compositional Generative Model of Unbounded 4D Cities（CityDreamer4D：无界4D城市的组合生成模型） [01:49] 🎥 RepVideo: Rethinking Cross-Layer Representation for Video Generation（RepVideo：重新思考视频生成中的跨层表示） [02:30] 📚 Towards Be...

本期的 15 篇论文如下： [00:23] ⚡ MiniMax-01: Scaling Foundation Models with Lightning Attention（MiniMax-01：基于闪电注意力机制扩展基础模型） [01:04] 🖼 Padding Tone: A Mechanistic Analysis of Padding Tokens in T2I Models（填充符：T2I模型中填充符的机制分析） [01:44] 🎨 MangaNinja: Line Art Colorization with Precise Reference Following（MangaNinja：基于精确参考跟随的线稿上色） [02:21] 🧬 A Multi-Mo...

本期的 11 篇论文如下： [00:24] 📊 The Lessons of Developing Process Reward Models in Mathematical Reasoning（数学推理中过程奖励模型开发的经验教训） [01:10] 🧠 Tensor Product Attention Is All You Need（张量积注意力机制是关键） [01:53] 🤖 $\text{Transformer}^2$: Self-adaptive LLMs（Transformer²：自适应大型语言模型） [02:34] 🎥 VideoAuteur: Towards Long Narrative Video Generation（视频导演：面向长篇...

本期的 10 篇论文如下： [00:24] 🤖 OmniManip: Towards General Robotic Manipulation via Object-Centric Interaction Primitives as Spatial Constraints（OmniManip：通过以对象为中心的交互原语作为空间约束实现通用机器人操作） [01:02] 🎥 VideoRAG: Retrieval-Augmented Generation over Video Corpus（VideoRAG：基于视频语料库的检索增强生成） [01:38] 🎥 OVO-Bench: How Far is Your Video-LLMs from Real-World Onlin...

本期的 5 篇论文如下： [00:39] TOP1(🔥173) | 🧠 rStar-Math: Small LLMs Can Master Math Reasoning with Self-Evolved Deep Thinking（rStar-Math：小型语言模型通过自我进化的深度思考掌握数学推理） [03:03] TOP2(🔥71) | 🚀 REINFORCE++: A Simple and Efficient Approach for Aligning Large Language Models（REINFORCE++：一种简单高效的大语言模型对齐方法） [05:17] TOP3(🔥63) | 🧠 Towards System 2 Reasoning in LLM...

本期的 7 篇论文如下： [00:23] 🧠 The GAN is dead; long live the GAN! A Modern GAN Baseline（GAN已死；GAN万岁！一个现代的GAN基线） [01:02] 🎥 An Empirical Study of Autoregressive Pre-training from Videos（视频自回归预训练的实证研究） [01:49] 🚗 Are VLMs Ready for Autonomous Driving? An Empirical Study from the Reliability, Data, and Metric Perspectives（视觉语言模型是否准备好用于自动驾驶？从可靠性...

本期的 11 篇论文如下： [00:25] 🧠 rStar-Math: Small LLMs Can Master Math Reasoning with Self-Evolved Deep Thinking（rStar-Math：小型语言模型通过自我进化的深度思考掌握数学推理） [01:06] 🧠 URSA: Understanding and Verifying Chain-of-thought Reasoning in Multimodal Mathematics（URSA：理解与验证多模态数学中的思维链推理） [01:45] 🧠 Towards System 2 Reasoning in LLMs: Learning How to Think With Meta Ch...

本期的 11 篇论文如下： [00:24] 🚀 REINFORCE++: A Simple and Efficient Approach for Aligning Large Language Models（REINFORCE++：一种简单高效的大语言模型对齐方法） [01:00] 🎥 MotionBench: Benchmarking and Improving Fine-grained Video Motion Understanding for Vision Language Models（MotionBench：用于评估和改进视觉语言模型细粒度视频运动理解的基准） [01:40] 🔍 Sa2VA: Marrying SAM2 with LLaVA for Dense...

本期的 16 篇论文如下： [00:24] 🎥 STAR: Spatial-Temporal Augmentation with Text-to-Video Models for Real-World Video Super-Resolution（STAR：基于文本到视频模型的空间-时间增强用于现实世界视频超分辨率） [01:06] 🧮 BoostStep: Boosting mathematical capability of Large Language Models via improved single-step reasoning（BoostStep：通过改进单步推理提升大语言模型的数学能力） [01:44] 🤖 Dispider: Enabling...

本期的 8 篇论文如下： [00:24] 🤖 EnerVerse: Envisioning Embodied Future Space for Robotics Manipulation（EnerVerse：面向机器人操作的具身未来空间构想） [00:58] 🤖 VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction（VITA-1.5：迈向GPT-4o级别的实时视觉与语音交互） [01:33] 🤔 Virgo: A Preliminary Exploration on Reproducing o1-like MLLM（Virgo：关于复现o1类多模态大语言模型的初步探索...

本期的 10 篇论文如下： [00:31] TOP1(🔥335) | 🤖 Qwen2.5 Technical Report（Qwen2.5技术报告） [02:44] TOP2(🔥136) | 🎥 Apollo: An Exploration of Video Understanding in Large Multimodal Models（阿波罗：大型多模态模型中的视频理解探索） [05:01] TOP3(🔥123) | 🚀 Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling（通过模型、数据和测试时扩展提升开源多...

本期的 5 篇论文如下： [00:35] TOP1(🔥83) | 🧠 HuatuoGPT-o1, Towards Medical Complex Reasoning with LLMs（华佗GPT-o1：迈向医学复杂推理的大语言模型） [02:49] TOP2(🔥65) | 🤖 OS-Genesis: Automating GUI Agent Trajectory Construction via Reverse Task Synthesis（OS-Genesis：通过逆向任务合成自动化GUI代理轨迹构建） [04:50] TOP3(🔥63) | 🎨 1.58-bit FLUX（1.58位FLUX：首个成功量化最先进文本生成图像模型的方法...

本期的 17 篇论文如下： [00:24] 📚 2.5 Years in Class: A Multimodal Textbook for Vision-Language Pretraining（2.5年课堂：用于视觉-语言预训练的多模态教科书） [01:02] 🎥 VideoAnydoor: High-fidelity Video Object Insertion with Precise Motion Control（VideoAnydoor：高保真视频对象插入与精确运动控制） [01:39] 🎥 VideoRefer Suite: Advancing Spatial-Temporal Object Understanding with Video LLM（VideoRefer...

本期的 2 篇论文如下： [00:26] 🤖 OS-Genesis: Automating GUI Agent Trajectory Construction via Reverse Task Synthesis（OS-Genesis：通过逆向任务合成自动化GUI代理轨迹构建） [01:10] 🧠 Xmodel-2 Technical Report（Xmodel-2技术报告） 【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 在小宇宙查看该单集文稿

本期的 10 篇论文如下： [00:25] 🔍 Explanatory Instructions: Towards Unified Vision Tasks Understanding and Zero-shot Generalization（解释性指令：迈向统一视觉任务理解与零样本泛化） [01:13] 🧠 On the Compositional Generalization of Multimodal LLMs for Medical Imaging（多模态大语言模型在医学影像中的组合泛化研究） [02:02] ⚙ Efficiently Serving LLM Reasoning Programs with Certaindex（高效服务LLM推理程...

本期的 8 篇论文如下： [00:30] 🧠 HuatuoGPT-o1, Towards Medical Complex Reasoning with LLMs（华佗GPT-o1：迈向医学复杂推理的大语言模型） [01:16] 🧭 Orient Anything: Learning Robust Object Orientation Estimation from Rendering 3D Models（定向万物：从渲染3D模型中学习鲁棒的物体方向估计） [02:03] 🔍 Task Preference Optimization: Improving Multimodal Large Language Models with Vision Task Alignment（任务...

本期的 5 篇论文如下： [00:37] TOP1(🔥78) | 🛡 RobustFT: Robust Supervised Fine-tuning for Large Language Models under Noisy Response（RobustFT：在噪声响应下的大语言模型的鲁棒监督微调） [02:57] TOP2(🔥47) | ⚡ Parallelized Autoregressive Visual Generation（并行自回归视觉生成） [05:16] TOP3(🔥38) | 🔄 B-STaR: Monitoring and Balancing Exploration and Exploitation in Self-Taught Reasoners（B-STaR：监控...

本期的 4 篇论文如下： [00:26] 🧠 YuLan-Mini: An Open Data-efficient Language Model（YuLan-Mini：一个开放的数据高效语言模型） [01:05] 🔍 A Silver Bullet or a Compromise for Full Attention? A Comprehensive Study of Gist Token-based Context Compression（银弹还是全注意力妥协？基于Gist Token的上下文压缩全面研究） [01:49] 🤖 Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequ...

本期的 4 篇论文如下： [00:27] 💡 Token-Budget-Aware LLM Reasoning（基于Token预算的大语言模型推理） [01:07] 🎥 Video-Panda: Parameter-efficient Alignment for Encoder-free Video-Language Models（Video-Panda：无编码器视频语言模型的高效参数对齐方法） [01:49] 🧠 Mulberry: Empowering MLLM with o1-like Reasoning and Reflection via Collective Monte Carlo Tree Search（Mulberry：通过集体蒙特卡洛树搜索赋予ML...

本期的 9 篇论文如下： [00:26] 🧠 3DGraphLLM: Combining Semantic Graphs and Large Language Models for 3D Scene Understanding（3DGraphLLM：结合语义图与大型语言模型进行三维场景理解） [01:11] 🖼 DepthLab: From Partial to Complete（DepthLab：从部分到完整） [01:54] 📊 Fourier Position Embedding: Enhancing Attention's Periodic Extension for Length Generalization（傅里叶位置嵌入：增强注意力机制的周期性扩展...

本期的 16 篇论文如下： [00:24] 🔄 B-STaR: Monitoring and Balancing Exploration and Exploitation in Self-Taught Reasoners（B-STaR：监控和平衡自学习推理器中的探索与利用） [01:04] 🛡 RobustFT: Robust Supervised Fine-tuning for Large Language Models under Noisy Response（RobustFT：在噪声响应下的大语言模型的鲁棒监督微调） [01:43] 🧠 Diving into Self-Evolving Training for Multimodal Reasoning（深入自进化...

本期的 10 篇论文如下： [00:22] ⚡ Parallelized Autoregressive Visual Generation（并行自回归视觉生成） [01:05] 🧠 Offline Reinforcement Learning for LLM Multi-Step Reasoning（基于离线强化学习的大语言模型多步推理） [01:43] 🔑 SCOPE: Optimizing Key-Value Cache Compression in Long-context Generation（SCOPE：优化长上下文生成中的键值缓存压缩） [02:30] 🚀 CLEAR: Conv-Like Linearization Revs Pre-Trained D...

本期的 5 篇论文如下： [00:40] TOP1(🔥252) | 🤖 Qwen2.5 Technical Report（Qwen2.5技术报告） [02:31] TOP2(🔥127) | 🎥 Apollo: An Exploration of Video Understanding in Large Multimodal Models（阿波罗：大型多模态模型中的视频理解探索） [04:30] TOP3(🔥86) | 🚀 Smarter, Better, Faster, Longer: A Modern Bidirectional Encoder for Fast, Memory Efficient, and Long Context Finetuning and Inference（更智能、更...