110
0【赞助商】
通勤路上就听AI每周谈。AI每周谈，每周带你回顾上周AI大事
传送门 🔗www.xiaoyuzhoufm.com
【目录】
本期的 15 篇论文如下：
00:29 🔍 MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding（MinerU-Diffusion：将文档OCR重新思考为通过扩散解码的逆向渲染）
01:18 🎮 WildWorld: A Large-Scale Dataset for Dynamic World Modeling with Actions and Explicit State toward Generative ARPG（WildWorld：面向生成式动作角色扮演游戏的大规模动态世界建模数据集，包含动作与显式状态）
02:10 ⚡ SpecEyes: Accelerating Agentic Multimodal LLMs via Speculative Perception and Planning（SpecEyes：通过推测式感知与规划加速智能体多模态大语言模型）
02:59 🎥 PEARL: Personalized Streaming Video Understanding Model（PEARL：个性化流式视频理解模型）
03:46 🔍 DA-Flow: Degradation-Aware Optical Flow Estimation with Diffusion Models（DA-Flow：基于扩散模型的退化感知光流估计）
04:30 📊 From Static Templates to Dynamic Runtime Graphs: A Survey of Workflow Optimization for LLM Agents（从静态模板到动态运行时图：LLM智能体工作流优化综述）
05:13 🤖 SIMART: Decomposing Monolithic Meshes into Sim-ready Articulated Assets via MLLM（SIMART：通过大语言模型将整体网格分解为仿真就绪的关节化资产）
05:52 🧠 UniGRPO: Unified Policy Optimization for Reasoning-Driven Visual Generation（UniGRPO：面向推理驱动视觉生成的统一策略优化）
06:45 🎬 RealMaster: Lifting Rendered Scenes into Photorealistic Video（RealMaster：将渲染场景提升为逼真视频）
07:32 🤖 2Xplat: Two Experts Are Better Than One Generalist（2Xplat：两个专家胜过一个通才）
08:15 🔍 Rethinking Token-Level Policy Optimization for Multimodal Chain-of-Thought（重新思考多模态思维链的令牌级策略优化）
09:03 👁 Attend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing（先注视后注意：通过自回归凝视实现高效可扩展的视频理解）
09:57 🎯 VP-VLA: Visual Prompting as an Interface for Vision-Language-Action Models（VP-VLA：视觉提示作为视觉-语言-动作模型的接口）
10:48 🧠 ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model（ThinkJEPA：赋能潜在世界模型的大型视觉-语言推理模型）
11:40 🤖 AgentSLR: Automating Systematic Literature Reviews in Epidemiology with Agentic AI（AgentSLR：基于智能体人工智能的流行病学系统文献综述自动化）
【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
