114
0本期的 15 篇论文如下：
00:26 🚀 Z-Image: An Efficient Image Generation Foundation Model with Single-Stream Diffusion Transformer（Z-Image：基于单流扩散Transformer的高效图像生成基础模型）
01:00 🤔 REASONEDIT: Towards Reasoning-Enhanced Image Editing Models（REASONEDIT：迈向推理增强的图像编辑模型）
01:25 🎬 AnyTalker: Scaling Multi-Person Talking Video Generation with Interactivity Refinement（AnyTalker：通过交互性精炼实现可扩展的多人物对话视频生成）
01:59 🌉 Vision Bridge Transformer at Scale（大规模视觉桥接变换器）
02:35 🔍 Architecture Decoupling Is Not All You Need For Unified Multimodal Model（架构解耦并非统一多模态模型的全部所需）
03:23 ⚡ DiP: Taming Diffusion Models in Pixel Space（DiP：在像素空间驾驭扩散模型）
03:49 🧠 Every Token Counts: Generalizing 16M Ultra-Long Context in Large Language Models（每个令牌都重要：在大型语言模型中泛化1600万超长上下文）
04:19 🤖 DualVLA: Building a Generalizable Embodied Agent via Partial Decoupling of Reasoning and Action（DualVLA：通过部分解耦推理与动作构建可泛化的具身智能体）
05:02 ⚡ Adversarial Flow Models（对抗性流模型）
05:29 🔬 Decoupled DMD: CFG Augmentation as the Spear, Distribution Matching as the Shield（解耦的DMD：CFG增强为矛，分布匹配为盾）
06:10 🎥 Captain Safari: A World Engine（Captain Safari：一种世界引擎）
06:43 🌍 World in a Frame: Understanding Culture Mixing as a New Challenge for Vision-Language Models（框架中的世界：理解文化混合作为视觉语言模型的新挑战）
07:20 🔍 The Collapse of Patches（图像块坍缩）
07:50 🔍 RefineBench: Evaluating Refinement Capability of Language Models via Checklists（RefineBench：基于检查表评估语言模型精炼能力）
08:23 🦷 OralGPT-Omni: A Versatile Dental Multimodal Large Language Model（OralGPT-Omni：一个通用的牙科多模态大语言模型）
【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
