HuggingFace 每日AI论文速递

本期的 14 篇论文如下： [00:22] 🤖 Qwen2.5 Technical Report（Qwen2.5技术报告） [01:00] 🧠 Progressive Multimodal Reasoning via Active Retrieval（通过主动检索实现渐进式多模态推理） [01:39] 🌐 MegaPairs: Massive Data Synthesis For Universal Multimodal Retrieval（MegaPairs：大规模数据合成用于通用多模态检索） [02:26] 🧠 LongBench v2: Towards Deeper Understanding and Reasoning on Realistic Long-context...

本期的 18 篇论文如下： [00:24] 🤖 TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks（TheAgentCompany：在具有重要现实意义的任务上对LLM代理进行基准测试） [01:06] 🎥 AniDoc: Animation Creation Made Easier（AniDoc：让动画制作更简单） [01:44] 👗 FashionComposer: Compositional Fashion Image Generation（时尚组合器：组合式时尚图像生成） [02:28] 🤖 Efficient Diffusion Transformer P...

本期的 8 篇论文如下： [00:24] 🧠 Are Your LLMs Capable of Stable Reasoning?（你的LLM是否具备稳定推理能力？） [01:06] 📊 Multi-Dimensional Insights: Benchmarking Real-World Personalization in Large Multimodal Models（多维度洞察：大型多模态模型在现实世界个性化中的基准测试） [01:52] 📊 OmniEval: An Omnidirectional and Automatic RAG Evaluation Benchmark in Financial Domain（OmniEval：金融领域全方位自...

本期的 18 篇论文如下： [00:23] 🧠 RetroLLM: Empowering Large Language Models to Retrieve Fine-grained Evidence within Generation（RetroLLM：赋能大型语言模型在生成过程中检索细粒度证据） [01:05] ⚡ Evaluation Agent: Efficient and Promptable Evaluation Framework for Visual Generative Models（评估代理：高效且可提示的视觉生成模型评估框架） [01:45] 🎨 BrushEdit: All-In-One Image Inpainting and Editing（...

本期的 14 篇论文如下： [00:23] 🎥 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） [01:11] 🌍 GenEx: Generating an Explorable World（GenEx：生成可探索的世界） [01:50] 🌐 SynerGen-VL: Towards Synergistic Image Understanding and Generation with Vision Experts and Token Folding（协同生成-VL：基于视觉专家和令牌折叠的图像理解与生成） [02...

本期的 5 篇论文如下： [00:43] TOP1(🔥95) | 🌐 Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling（扩展开源多模态模型性能边界：模型、数据与测试时扩展） [03:01] TOP2(🔥65) | 🎥 InternLM-XComposer2.5-OmniLive: A Comprehensive Multimodal System for Long-term Streaming Video and Audio Interactions（InternLM-XComposer2.5-OmniLive：一个用于长期流式视...

本期的 23 篇论文如下： [00:23] 🎥 InternLM-XComposer2.5-OmniLive: A Comprehensive Multimodal System for Long-term Streaming Video and Audio Interactions（InternLM-XComposer2.5-OmniLive：一个用于长期流式视频和音频交互的综合多模态系统） [01:03] 🧠 Phi-4 Technical Report（Phi-4 技术报告） [01:43] 🧠 Euclid: Supercharging Multimodal LLMs with Synthetic High-Fidelity Visual Descriptions（欧几里得：通过...

本期的 14 篇论文如下： [00:23] 🎥 SynCamMaster: Synchronizing Multi-Camera Video Generation from Diverse Viewpoints（SynCamMaster：同步多视角视频生成） [01:07] 🌐 LAION-SG: An Enhanced Large-Scale Dataset for Training Complex Image-Text Models with Structural Annotations（LAION-SG：用于训练复杂图像-文本模型的增强型大规模数据集与结构化注释） [01:51] 🌐 POINTS1.5: Building a Vision-Language Model to...

本期的 23 篇论文如下： [00:25] 🧑 Evaluating and Aligning CodeLLMs on Human Preference（评估与对齐代码大语言模型的人类偏好） [01:19] 🎥 STIV: Scalable Text and Image Conditioned Video Generation（STIV：可扩展的文本与图像条件视频生成） [01:59] 🎨 DiffSensei: Bridging Multi-Modal LLMs and Diffusion Models for Customized Manga Generation（DiffSensei：连接多模态大语言模型与扩散模型以实现定制化漫画生成...

本期的 9 篇论文如下： [00:23] 🧮 ProcessBench: Identifying Process Errors in Mathematical Reasoning（ProcessBench：识别数学推理中的过程错误） [01:13] 🧠 Unraveling the Complexity of Memory in RL Agents: an Approach for Classification and Evaluation（揭开强化学习代理中记忆复杂性的分类与评估方法） [01:58] 🧠 Training Large Language Models to Reason in a Continuous Latent Space（在连续潜在空间中训练...

本期的 11 篇论文如下： [00:27] 🌐 Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling（扩展开源多模态模型性能边界：模型、数据与测试时扩展） [00:58] 🎥 LiFT: Leveraging Human Feedback for Text-to-Video Model Alignment（利用人类反馈进行文本到视频模型对齐） [01:41] 🧠 MAmmoTH-VL: Eliciting Multimodal Reasoning with Instruction Tuning at Scale（MAm...

本期的 5 篇论文如下： [00:40] TOP1(🔥102) | 🚀 SNOOPI: Supercharged One-step Diffusion Distillation with Proper Guidance（SNOOPI：超强一步扩散蒸馏与适当引导） [02:39] TOP2(🔥100) | 🔄 PaliGemma 2: A Family of Versatile VLMs for Transfer（PaliGemma 2：多功能视觉语言模型的迁移研究） [04:40] TOP3(🔥64) | 🔍 VisionZip: Longer is Better but Not Necessary in Vision Language Models（视觉压缩：视觉语言模...

本期的 23 篇论文如下： [00:23] 🔍 VisionZip: Longer is Better but Not Necessary in Vision Language Models（视觉压缩：视觉语言模型中长度并非必要优势） [01:03] 🤖 Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection（代码即监控：约束感知的视觉编程用于反应性和前瞻性机器人故障检测） [01:43] 🖥 Aguvis: Unified Pure Vision Agents for Autonomous GUI Int...

本期的 15 篇论文如下： [00:24] 🚀 SNOOPI: Supercharged One-step Diffusion Distillation with Proper Guidance（SNOOPI：超强一步扩散蒸馏与适当引导） [01:06] 🎥 Imagine360: Immersive 360 Video Generation from Perspective Anchor（Imagine360：从透视锚点生成沉浸式360度视频） [01:40] 🚗 Distilling Diffusion Models to Efficient 3D LiDAR Scene Completion（扩散模型在高效3D LiDAR场景补全中的蒸馏方法） [02:13]...

本期的 15 篇论文如下： [00:24] 🎥 VideoGen-of-Thought: A Collaborative Framework for Multi-Shot Video Generation（视频思维生成：多镜头视频生成的协作框架） [01:04] 🧠 Critical Tokens Matter: Token-Level Contrastive Estimation Enhances LLM's Reasoning Capability（关键令牌重要性：令牌级对比估计提升LLM的推理能力） [01:45] 🔄 Free Process Rewards without Process Labels（无过程标签的自由过程奖励） [02:3...

本期的 24 篇论文如下： [00:23] 🖼 X-Prompt: Towards Universal In-Context Image Generation in Auto-Regressive Vision Language Foundation Models（X-Prompt：面向自回归视觉语言基础模型的通用上下文图像生成） [00:58] 📊 GATE OpenING: A Comprehensive Benchmark for Judging Open-ended Interleaved Image-Text Generation（GATE 开放：一个综合基准用于评估开放式交错图文生成） [01:32] 🖼 Switti: Designing Scale-Wis...

本期的 10 篇论文如下： [00:41] TOP1(🔥109) | 🔓 OpenCoder: The Open Cookbook for Top-Tier Code Large Language Models（开放编码器：顶级代码大语言模型的开放食谱） [02:35] TOP2(🔥75) | 🔍 Unpacking SDXL Turbo: Interpreting Text-to-Image Models with Sparse Autoencoders（解构SDXL Turbo：使用稀疏自编码器解释文本到图像模型） [04:35] TOP3(🔥72) | 🖼 ROICtrl: Boosting Instance Control for Visual Generation...

本期的 14 篇论文如下： [00:25] 🧠 Beyond Examples: High-level Automated Reasoning Paradigm in In-Context Learning via MCTS（超越示例：通过蒙特卡洛树搜索在上下文学习中的高级自动化推理范式） [01:06] 🌐 On Domain-Specific Post-Training for Multimodal Large Language Models（针对多模态大语言模型的领域特定后训练研究） [01:39] 🎥 Video Depth without Video Models（无需视频模型的视频深度估计） [02:10] 🧩 P...

本期的 5 篇论文如下： [00:40] TOP1(🔥71) | 🖼 ROICtrl: Boosting Instance Control for Visual Generation（ROICtrl：提升视觉生成的实例控制） [02:30] TOP2(🔥59) | 🖥 ShowUI: One Vision-Language-Action Model for GUI Visual Agent（ShowUI：一种用于GUI视觉代理的视觉-语言-动作模型） [05:02] TOP3(🔥54) | 🚀 TÜLU 3: Pushing Frontiers in Open Language Model Post-Training（TÜLU 3：推动开放语言模型后训练的前沿）...

本期的 6 篇论文如下： [00:26] 🧠 Critic-V: VLM Critics Help Catch VLM Errors in Multimodal Reasoning（批评者-V：视觉语言模型批评者帮助捕捉多模态推理中的错误） [01:04] 🤖 ChatGen: Automatic Text-to-Image Generation From FreeStyle Chatting（ChatGen：从自由聊天中自动生成文本到图像） [01:43] 👕 TryOffDiff: Virtual-Try-Off via High-Fidelity Garment Reconstruction using Diffusion Models（TryOffDiff：基...

本期的 21 篇论文如下： [00:24] 🖼 ROICtrl: Boosting Instance Control for Visual Generation（ROICtrl：提升视觉生成的实例控制） [01:08] 🎥 CAT4D: Create Anything in 4D with Multi-View Video Diffusion Models（CAT4D：使用多视角视频扩散模型在4D中创建任何内容） [01:55] 📚 Interleaved Scene Graph for Interleaved Text-and-Image Generation Assessment（交错场景图用于交错文本与图像生成评估） [02:38] 🌐 MARVEL...

本期的 18 篇论文如下： [00:28] 🖥 ShowUI: One Vision-Language-Action Model for GUI Visual Agent（ShowUI：一种用于GUI视觉代理的视觉-语言-动作模型） [01:08] 🎥 Pathways on the Image Manifold: Image Editing via Video Generation（图像流形上的路径：通过视频生成进行图像编辑） [01:45] ⭐ Star Attention: Efficient LLM Inference over Long Sequences（星型注意力：长序列上高效的大型语言模型推理） [02:24] ⚡ Re...

本期的 21 篇论文如下： [00:26] 🌐 Material Anything: Generating Materials for Any 3D Object via Diffusion（材料生成：通过扩散生成任意3D对象的材料） [01:05] 🎨 Large-Scale Text-to-Image Model with Inpainting is a Zero-Shot Subject-Driven Image Generator（基于修复的大规模文本到图像模型：零样本主题驱动图像生成器） [01:48] 🤖 From Generation to Judgment: Opportunities and Challenges of LLM-as-a-judge...

本期的 14 篇论文如下： [00:26] 🎨 Style-Friendly SNR Sampler for Style-Driven Generation（风格友好SNR采样器用于风格驱动生成） [01:08] 🚀 TÜLU 3: Pushing Frontiers in Open Language Model Post-Training（TÜLU 3：推动开放语言模型后训练的前沿） [01:53] 🌐 OminiControl: Minimal and Universal Control for Diffusion Transformer（OminiControl：扩散Transformer的最小且通用控制） [02:31] 🛡 A Flexible Large Lan...

本期的 5 篇论文如下： [00:41] TOP1(🔥93) | 🧠 LLaVA-o1: Let Vision Language Models Reason Step-by-Step（LLaVA-o1：让视觉语言模型逐步推理） [02:41] TOP2(🔥55) | 🌍 Generative World Explorer（生成世界探索者） [05:00] TOP3(🔥44) | 🧠 Enhancing the Reasoning Ability of Multimodal Large Language Models via Mixed Preference Optimization（通过混合偏好优化提升多模态大语言模型的推理能力） [07:11] TOP4(🔥41...