HuggingFace 每日AI论文速递

本期的 14 篇论文如下： [00:26] 🧠 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） [01:12] 🌐 Multimodal Autoregressive Pre-training of Large Vision Encoders（大规模视觉编码器多模态自回归预训练） [01:55] 🧠 Marco-o1: Towards Open Reasoning Models for Open-Ended Solutions（Marco-o1：面向开放式解决...

本期的 8 篇论文如下： [00:28] ⚡ SageAttention2 Technical Report: Accurate 4 Bit Attention for Plug-and-play Inference Acceleration（SageAttention2技术报告：用于即插即用推理加速的精确4比特注意力机制） [01:10] 📹 VBench++: Comprehensive and Versatile Benchmark Suite for Video Generative Models（VBench++：全面且多功能的视频生成模型基准套件） [01:51] 🎮 VideoAutoArena: An Automated Arena for Evaluati...

本期的 7 篇论文如下： [00:33] ⚡ Continuous Speculative Decoding for Autoregressive Image Generation（自回归图像生成的连续推测解码） [01:14] 📚 RedPajama: an Open Dataset for Training Large Language Models（红睡衣：用于训练大型语言模型的开放数据集） [01:58] 🤖 Soft Robotic Dynamic In-Hand Pen Spinning（软体机器人动态手内笔旋转） [02:39] 🚀 ITACLIP: Boosting Training-Free Semantic Segmentation with...

本期的 16 篇论文如下： [00:25] 📱 BlueLM-V-3B: Algorithm and System Co-Design for Multimodal Large Language Models on Mobile Devices（BlueLM-V-3B：移动设备上多模态大语言模型的算法与系统协同设计） [01:06] 🌍 Generative World Explorer（生成世界探索者） [01:43] 🔍 Search, Verify and Feedback: Towards Next Generation Post-training Paradigm of Foundation Models via Verifier Engineering（搜索、验证与反...

本期的 6 篇论文如下： [00:28] 🧠 LLaVA-o1: Let Vision Language Models Reason Step-by-Step（LLaVA-o1：让视觉语言模型逐步推理） [01:14] 🎨 Region-Aware Text-to-Image Generation via Hard Binding and Soft Refinement（区域感知文本到图像生成：硬绑定与软优化） [01:51] 🌐 GaussianAnything: Interactive Point Cloud Latent Diffusion for 3D Generation（高斯任意：交互式点云潜在扩散用于3D生成） [02:25] 🌅 The D...

本期的 5 篇论文如下： [00:44] TOP1(🔥54) | 🖼 Add-it: Training-Free Object Insertion in Images With Pretrained Diffusion Models（Add-it：基于预训练扩散模型的图像无训练对象插入） [02:31] TOP2(🔥44) | 🤖 Large Language Models Can Self-Improve in Long-context Reasoning（大型语言模型在长上下文推理中的自我改进） [04:15] TOP3(🔥43) | 🌐 LLaMA-Mesh: Unifying 3D Mesh Generation with Language Models（LLaMA-...

本期的 7 篇论文如下： [00:27] ✨ MagicQuill: An Intelligent Interactive Image Editing System（魔法羽毛笔：智能交互式图像编辑系统） [01:15] 🌐 LLaMA-Mesh: Unifying 3D Mesh Generation with Language Models（LLaMA-Mesh：将3D网格生成与语言模型统一） [01:50] 💾 Cut Your Losses in Large-Vocabulary Language Models（在大词汇量语言模型中减少损失） [02:22] 🏥 ClinicalBench: Can LLMs Beat Traditional ML Model...

本期的 7 篇论文如下： [00:26] 🤖 Large Language Models Can Self-Improve in Long-context Reasoning（大型语言模型在长上下文推理中的自我改进） [01:09] 🎥 EgoVid-5M: A Large-Scale Video-Action Dataset for Egocentric Video Generation（EgoVid-5M：用于第一人称视频生成的大规模视频动作数据集） [01:58] 🔍 Direct Preference Optimization Using Sparse Feature-Level Constraints（利用稀疏特征级约束进行直接偏好优...

本期的 6 篇论文如下： [00:28] 🔍 SAMPart3D: Segment Any Part in 3D Objects（SAMPart3D：三维物体任意部分分割） [01:06] 🌐 JanusFlow: Harmonizing Autoregression and Rectified Flow for Unified Multimodal Understanding and Generation（JanusFlow：统一自回归与校正流的多模态理解与生成） [01:42] 🤔 Stronger Models are NOT Stronger Teachers for Instruction Tuning（更强的模型并非更强的指令调优教师） [02:21]...

本期的 14 篇论文如下： [00:23] 🖼 Add-it: Training-Free Object Insertion in Images With Pretrained Diffusion Models（Add-it：基于预训练扩散模型的图像中无训练对象插入） [01:05] 🎨 OmniEdit: Building Image Editing Generalist Models Through Specialist Supervision（全能编辑器：通过专家监督构建图像编辑通用模型） [01:49] 📚 Chinese SimpleQA: A Chinese Factuality Evaluation for Large Language Models（中文...

本期的 6 篇论文如下： [00:30] ⚖ Balancing Pipeline Parallelism with Vocabulary Parallelism（平衡流水线并行与词汇并行） [01:15] 🎮 StdGEN: Semantic-Decomposed 3D Character Generation from Single Images（StdGEN：从单张图像生成语义分解的3D角色） [01:56] 🔄 DELIFT: Data Efficient Language model Instruction Fine Tuning（DELIFT：数据高效语言模型指令微调） [02:29] 🧪 Parameter-Efficient Fine-Tuning of La...

本期的 5 篇论文如下： [00:38] TOP1(🔥73) | 🔧 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） [02:40] TOP2(🔥53) | 🎥 ReCapture: Generative Video Camera Controls for User-Provided Videos using Masked Video Fine-Tuning（ReCapture：使用掩码视频微调生成用户提供视频的生成性摄像机控制） [04:22] TOP3(🔥52) | 📄 HtmlRAG: HTML is Better Than...

本期的 14 篇论文如下： [00:25] 🔧 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） [01:03] 🎥 ReCapture: Generative Video Camera Controls for User-Provided Videos using Masked Video Fine-Tuning（ReCapture：使用掩码视频微调生成用户提供视频的生成性摄像机控制） [01:46] ⚡ BitNet a4.8: 4-bit Activations for 1-bit LLMs（BitNet a4.8：1位大...

本期的 4 篇论文如下： [00:28] 🔍 Both Text and Images Leaked! A Systematic Analysis of Multimodal LLM Data Contamination（文本与图像均泄露！多模态大语言模型数据污染的系统分析） [01:07] 🤖 Large Language Models Orchestrating Structured Reasoning Achieve Kaggle Grandmaster Level（大型语言模型协调结构化推理达到Kaggle大师级别） [01:53] 🧠 Polynomial Composition Activations: Unleashing the Dynamics of...

本期的 11 篇论文如下： [00:30] 📄 HtmlRAG: HTML is Better Than Plain Text for Modeling Retrieved Knowledge in RAG Systems（HtmlRAG：在RAG系统中，HTML比纯文本更适合建模检索知识） [01:12] 🧬 LLaMo: Large Language Model-based Molecular Graph Assistant（基于大型语言模型的分子图助手） [01:52] 🤖 DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution（DeeR-VLA：动...

本期的 17 篇论文如下： [00:26] 🤖 AndroidLab: Training and Systematic Benchmarking of Android Autonomous Agents（AndroidLab：Android自主代理的训练与系统基准测试） [01:15] 🌐 WebRL: Training LLM Web Agents via Self-Evolving Online Curriculum Reinforcement Learning（WebRL：通过自进化在线课程强化学习训练LLM网络代理） [01:55] 🌐 Training-free Regional Prompting for Diffusion Transformers（无需训练的扩...

本期的 17 篇论文如下： [00:25] 🤖 OS-ATLAS: A Foundation Action Model for Generalist GUI Agents（OS-ATLAS：通用GUI代理的基础动作模型） [01:07] ⚙ Constant Acceleration Flow（恒定加速度流） [01:53] 🍅 TOMATO: Assessing Visual Temporal Reasoning Capabilities in Multimodal Foundation Models（番茄：评估多模态基础模型在视觉时间推理能力） [02:33] 🎨 Randomized Autoregressive Visual Generation（随机自回归...

本期的 5 篇论文如下： [00:41] TOP1(🔥191) | 🧠 CLEAR: Character Unlearning in Textual and Visual Modalities（CLEAR：文本与视觉模态中的字符遗忘） [02:58] TOP2(🔥70) | 🤖 GPT-4o System Card（GPT-4o系统卡片） [04:50] TOP3(🔥50) | 🔍 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） [06:53] TOP4(🔥49) | 🗣 CORAL: Bench...

本期的 11 篇论文如下： [00:27] 🔍 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） [01:05] 🧠 What Happened in LLMs Layers when Trained for Fast vs. Slow Thinking: A Gradient Perspective（LLMs训练中快速与慢速思考的层级差异：梯度视角） [01:43] 🔍 A Pointer Network-based Approach for Joint Extraction and Detection...

本期的 5 篇论文如下： [00:29] 🗣 CORAL: Benchmarking Multi-turn Conversational Retrieval-Augmentation Generation（CORAL：多轮对话增强生成基准测试） [01:09] 🤖 A Large Recurrent Action Model: xLSTM enables Fast Inference for Robotics Tasks（大型递归动作模型：xLSTM为机器人任务实现快速推理） [01:50] 🔍 Stealing User Prompts from Mixture of Experts（从混合专家模型中窃取用户提示） [02:26] 🩺 AutoMIR: Ef...

本期的 8 篇论文如下： [00:33] 🧠 CLEAR: Character Unlearning in Textual and Visual Modalities（CLEAR：文本与视觉模态中的字符遗忘） [01:10] 🤖 AutoKaggle: A Multi-Agent Framework for Autonomous Data Science Competitions（AutoKaggle：一种用于自主数据科学竞赛的多智能体框架） [01:46] 🤖 SocialGPT: Prompting LLMs for Social Relation Reasoning via Greedy Segment Optimization（社交GPT：通过贪婪段优化提示...

本期的 17 篇论文如下： [00:24] 🇵 Bielik 7B v0.1: A Polish Language Model -- Development, Insights, and Evaluation（Bielik 7B v0.1：波兰语言模型——开发、洞察与评估） [01:00] 🤖 AgentStore: Scalable Integration of Heterogeneous Agents As Specialized Generalist Computer Assistant（AgentStore：可扩展的异构代理作为专业化通才计算机助手集成） [01:39] 🤖 GPT-4o System Card（GPT-4o系统卡片） [02:21] 📄 Docu...

本期的 13 篇论文如下： [00:25] 🚀 ROCKET-1: Master Open-World Interaction with Visual-Temporal Context Prompting（ROCKET-1：利用视觉-时间上下文提示掌握开放世界交互） [01:14] 🗣 Continuous Speech Synthesis using per-token Latent Diffusion（基于每标记潜在扩散的连续语音合成） [01:55] ⚡ Teach Multimodal LLMs to Comprehend Electrocardiographic Images（教授多模态大语言模型理解心电图图像） [02:39] 🌐 Inf...

本期的 5 篇论文如下： [00:44] TOP1(🔥79) | ⚡ FrugalNeRF: Fast Convergence for Few-shot Novel View Synthesis without Learned Priors（节俭NeRF：无学习先验的少样本新视角合成快速收敛） [02:42] TOP2(🔥60) | 🌳 SAM2Long: Enhancing SAM 2 for Long Video Segmentation with a Training-Free Memory Tree（SAM2Long：通过无训练记忆树增强SAM 2以实现长视频分割） [04:19] TOP3(🔥58) | 🚀 Breaking the Memory Barrier:...

本期的 21 篇论文如下： [00:26] 🚀 Breaking the Memory Barrier: Near Infinite Batch Size Scaling for Contrastive Loss（打破内存壁垒：对比损失的近无限批量规模扩展） [01:09] 🔄 LOGO -- Long cOntext aliGnment via efficient preference Optimization（LOGO -- 通过高效偏好优化实现长上下文对齐） [01:45] 🧠 Unleashing Reasoning Capability of LLMs via Scalable Question Synthesis from Scratch（从零开始释放LLMs...