HuggingFace 每日AI论文速递

本期的 10 篇论文如下： [00:25] 🖼 MIA-DPO: Multi-Image Augmented Direct Preference Optimization For Large Vision-Language Models（多图像增强直接偏好优化：大型视觉语言模型） [01:09] 🌍 WorldSimBench: Towards Video Generation Models as World Simulators（世界模拟器：迈向视频生成模型作为世界模拟器） [01:47] 🌊 Scaling Diffusion Language Models via Adaptation from Autoregressive Models（通过自回归模型适...

本期的 8 篇论文如下： [00:27] 🔍 PyramidDrop: Accelerating Your Large Vision-Language Models via Pyramid Visual Redundancy Reduction（金字塔式视觉冗余减少：通过金字塔视觉冗余减少加速大型视觉-语言模型） [01:09] 🌟 SpectroMotion: Dynamic 3D Reconstruction of Specular Scenes（光谱运动：镜面场景的动态三维重建） [01:48] 🤖 Aligning Large Language Models via Self-Steering Optimization（通过自引导优化对...

本期的 21 篇论文如下： [00:24] 🤖 CompassJudger-1: All-in-one Judge Model Helps Model Evaluation and Evolution（指南针评判者-1：一体化评判模型助力模型评估与进化） [01:11] 🌲 SAM2Long: Enhancing SAM 2 for Long Video Segmentation with a Training-Free Memory Tree（SAM2长：通过无需训练的记忆树增强SAM 2以实现长视频分割） [01:55] 🌐 PUMA: Empowering Unified MLLM with Multi-granular Visual Generation（PU...

本期的 12 篇论文如下： [00:27] 🌐 Web Agents with World Models: Learning and Leveraging Environment Dynamics in Web Navigation（拥有世界模型的网络代理：学习和利用环境动态进行网页导航） [01:11] 👗 MagicTailor: Component-Controllable Personalization in Text-to-Image Diffusion Models（魔法裁缝：文本到图像扩散模型中的组件可控个性化） [01:48] 💼 UCFE: A User-Centric Financial Expertise Benchmark for La...

本期的 5 篇论文如下： [00:45] TOP1(🔥80) | 🌐 Baichuan-Omni Technical Report（百川-Omni 技术报告） [02:20] TOP2(🔥58) | 📊 MixEval-X: Any-to-Any Evaluations from Real-World Data Mixtures（MixEval-X：从现实世界数据混合中进行任意到任意评估） [04:20] TOP3(🔥58) | 🎥 Movie Gen: A Cast of Media Foundation Models（电影生成：媒体基础模型集合） [06:27] TOP4(🔥53) | 🤖 LOKI: A Comprehensive Synthetic Data...

本期的 31 篇论文如下： [00:23] 📊 MixEval-X: Any-to-Any Evaluations from Real-World Data Mixtures（MixEval-X：从现实世界数据混合中进行任意到任意评估） [01:02] 🎥 Movie Gen: A Cast of Media Foundation Models（电影生成：媒体基础模型集合） [01:35] 📱 MobA: A Two-Level Agent System for Efficient Mobile Task Automation（MobA：一种高效移动任务自动化的两级代理系统） [02:18] 🌐 Harnessing Webpage UIs for...

本期的 19 篇论文如下： [00:28] 🧠 HumanEval-V: Evaluating Visual Understanding and Reasoning Abilities of Large Multimodal Models Through Coding Tasks（HumanEval-V：通过编码任务评估大型多模态模型的视觉理解和推理能力） [01:15] 🎥 VidEgoThink: Assessing Egocentric Video Understanding Capabilities for Embodied AI（VidEgoThink：评估具身AI的自中心视频理解能力） [01:50] 🧠 The Curse of Multi-Modalities:...

本期的 14 篇论文如下： [00:26] 🤖 MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation（多模态大语言模型能看见吗？动态校正解码以减轻幻觉） [01:07] 🛠 MTU-Bench: A Multi-granularity Tool-Use Benchmark for Large Language Models（MTU-Bench：大型语言模型的多粒度工具使用基准） [01:47] 📚 LLM$\times$MapReduce: Simplified Long-Sequence Processing using Large Language Models（LLM×MapReduc...

本期的 15 篇论文如下： [00:24] 🌐 MMIE: Massive Multimodal Interleaved Comprehension Benchmark for Large Vision-Language Models（大规模多模态交错理解基准测试） [01:06] 🤖 LOKI: A Comprehensive Synthetic Data Detection Benchmark using Large Multimodal Models（LOKI：基于大型多模态模型的综合合成数据检测基准） [02:01] 🔍 Toward General Instruction-Following Alignment for Retrieval-Augmented Generation...

本期的 16 篇论文如下： [00:25] 🌐 Baichuan-Omni Technical Report（百川-Omni 技术报告） [00:59] 🖼 Meissonic: Revitalizing Masked Generative Transformers for Efficient High-Resolution Text-to-Image Synthesis（Meissonic：高效高分辨率文本到图像生成的掩码生成Transformer复兴） [01:41] 🔧 From Generalist to Specialist: Adapting Vision Language Models via Task-Specific Visual Instruction Tuning（从通才到...

本期的 5 篇论文如下： [00:37] TOP1(🔥128) | 🔍 Differential Transformer（差分Transformer） [02:38] TOP2(🔥125) | ⚡ Addition is All You Need for Energy-efficient Language Models（加法即所需：高效能语言模型） [04:13] TOP3(🔥84) | 🌐 Aria: An Open Multimodal Native Mixture-of-Experts Model（Aria：一个开放的多模态原生混合专家模型） [06:18] TOP4(🔥73) | 🤖 GLEE: A Unified Framework and Benchmark for L...

本期的 21 篇论文如下： [00:25] 🧮 MathCoder2: Better Math Reasoning from Continued Pretraining on Model-translated Mathematical Code（MathCoder2：通过模型翻译的数学代码进行持续预训练以提升数学推理能力） [01:09] 🚀 PrefixQuant: Static Quantization Beats Dynamic through Prefixed Outliers in LLMs（前缀量化：静态量化通过LLMs中的前缀异常值超越动态量化） [01:59] 🤖 MLLM as Retriever: Interactively Learn...

本期的 10 篇论文如下： [00:40] TOP1(🔥129) | 🤖 Training Language Models to Self-Correct via Reinforcement Learning（通过强化学习训练语言模型进行自我修正） [02:41] TOP2(🔥121) | 🚀 Qwen2.5-Coder Technical Report（Qwen2.5-Coder技术报告） [04:44] TOP3(🔥96) | 🌐 Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models（Molmo 和 PixMo：用于最先进多模态模型的开放权重和开放数...

本期的 43 篇论文如下： [00:23] 🤖 GLEE: A Unified Framework and Benchmark for Language-based Economic Environments（GLEE：基于语言的经济环境统一框架与基准） [01:09] 👤 Personalized Visual Instruction Tuning（个性化视觉指令微调） [01:48] 🌍 Towards World Simulator: Crafting Physical Commonsense-Based Benchmark for Video Generation（迈向世界模拟器：基于物理常识的视频生成基准） [02:35] 🖼 IterComp: It...

本期的 9 篇论文如下： [00:28] 📚 LongGenBench: Long-context Generation Benchmark（长上下文生成基准：LongGenBench） [01:11] 🌐 $\textbf{Only-IF}$:Revealing the Decisive Effect of Instruction Diversity on Generalization（仅限IF：揭示指令多样性对泛化的决定性影响） [01:50] 📊 RevisEval: Improving LLM-as-a-Judge via Response-Adapted References（RevisEval：通过响应自适应参考改进LLM作为评判者） [02:35]...

本期的 21 篇论文如下： [00:26] 🔍 Differential Transformer（差分Transformer） [01:04] 🧠 LLMs Know More Than They Show: On the Intrinsic Representation of LLM Hallucinations（大语言模型知多于表：关于LLM幻觉的内在表征） [01:50] 📹 VideoGuide: Improving Video Diffusion Models without Training Through a Teacher's Guide（视频指南：通过教师指导提升视频扩散模型无需训练） [02:28] 📈 FAN: Fourier Analysis...

本期的 12 篇论文如下： [00:25] ⚡ Addition is All You Need for Energy-efficient Language Models（加法即所需：高效能语言模型） [01:03] 🧠 NL-Eye: Abductive NLI for Images（NL-Eye：图像的溯因自然语言推理） [01:40] 🔍 Selective Attention Improves Transformer（选择性注意力提升Transformer） [02:17] ⚡ Accelerating Auto-regressive Text-to-Image Generation with Training-free Speculative Jacobi Decoding（...

本期的 5 篇论文如下： [00:47] TOP1(🔥73) | 🧠 Emu3: Next-Token Prediction is All You Need（Emu3：下一个词预测是所有你需要的） [02:42] TOP2(🔥48) | 🔗 Law of the Weakest Link: Cross Capabilities of Large Language Models（最弱环节定律：大型语言模型的跨能力） [04:26] TOP3(🔥45) | 🌐 MIO: A Foundation Model on Multimodal Tokens（MIO：基于多模态标记的基础模型） [06:26] TOP4(🔥44) | 🌐 Revisit Large-Sca...

本期的 19 篇论文如下： [00:24] 🔄 Revisit Large-Scale Image-Caption Data in Pre-training Multimodal Foundation Models（重新审视大规模图像-文本数据在多模态基础模型预训练中的作用） [01:04] 🎥 Loong: Generating Minute-level Long Videos with Autoregressive Language Models（使用自回归语言模型生成分钟级长视频） [01:39] 🎥 Video Instruction Tuning With Synthetic Data（使用合成数据进行视频指令调优） [02:1...

本期的 20 篇论文如下： [00:23] 🐞 From Code to Correctness: Closing the Last Mile of Code Generation with Hierarchical Debugging（从代码到正确性：通过分层调试解决代码生成的最后一步） [01:08] 📄 LEOPARD : A Vision Language Model For Text-Rich Multi-Image Tasks（LEOPARD：用于文本丰富的多图像任务的视觉语言模型） [01:48] 📊 Is Preference Alignment Always the Best Option to Enhance LLM-Based Translatio...

本期的 13 篇论文如下： [00:26] 🔗 Law of the Weakest Link: Cross Capabilities of Large Language Models（最弱环节法则：大型语言模型的跨能力） [01:05] 🌐 TPI-LLM: Serving 70B-scale LLMs Efficiently on Low-resource Edge Devices（TPI-LLM：在低资源边缘设备上高效服务70B规模的大型语言模型） [01:46] 🌍 Atlas-Chat: Adapting Large Language Models for Low-Resource Moroccan Arabic Dialect（Atlas-Chat：为低资...

本期的 11 篇论文如下： [00:26] 🌐 MM1.5: Methods, Analysis & Insights from Multimodal LLM Fine-tuning（MM1.5：多模态大语言模型微调的方法、分析与见解） [01:04] 📏 Ruler: A Model-Agnostic Method to Control Generated Length for Large Language Models（Ruler：一种用于控制大型语言模型生成长度的模型无关方法） [01:41] 🗣 DiaSynth -- Synthetic Dialogue Generation Framework（DiaSynth -- 合成对话生成框架） [0...

本期的 9 篇论文如下： [00:24] 🧠 Emu3: Next-Token Prediction is All You Need（Emu3：下一个词预测是您所需要的全部） [00:53] 🌐 MIO: A Foundation Model on Multimodal Tokens（多模态标记的基础模型：MIO） [01:26] 🔍 VPTQ: Extreme Low-bit Vector Post-Training Quantization for Large Language Models（VPTQ：大语言模型的极端低比特向量后训练量化） [02:21] 🎥 PhysGen: Rigid-Body Physics-Grounded Image-to-Vide...

本期的 5 篇论文如下： [00:42] TOP1(🔥70) | 🌐 Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models（Molmo 和 PixMo：用于最先进多模态模型的开放权重和开放数据） [02:56] TOP2(🔥64) | 🖼 Imagine yourself: Tuning-Free Personalized Image Generation（想象你自己：无调参个性化图像生成） [05:08] TOP3(🔥48) | 🤖 Programming Every Example: Lifting Pre-training Data Quality like Ex...

本期的 12 篇论文如下： [00:27] 🌐 LLaVA-3D: A Simple yet Effective Pathway to Empowering LMMs with 3D-awareness（LLaVA-3D：一种简单而有效的路径，赋予多模态模型3D感知能力） [01:10] 🧩 MaskLLM: Learnable Semi-Structured Sparsity for Large Language Models（MaskLLM：大型语言模型的可学习半结构化稀疏性） [01:49] 🎭 EMOVA: Empowering Language Models to See, Hear and Speak with Vivid Emotions（EMOVA：赋予...