【目录】 本期的 15 篇论文如下： [00:23] 🎤 Mega-ASR: Towards In-the-wild^2 Speech Recognition via Scaling up Real-world Acoustic Simulation（Mega-ASR：通过扩展真实世界声学模拟实现野外环境语音识别） [01:22] 🎬 Video2GUI: Synthesizing Large-Scale Interaction Trajectories for Generalized GUI Agent Pretraining（Video2GUI：合成大规模交互轨迹以实现通用型GUI代理预训练） [02:11] 🎬 Enhancing Train-Free Infinite-Frame Generation for Consistent Long Videos（增强无训练无限帧生成以实现一致的长视频） [03:04] 🚀 You Only Need Minimal RLVR Training: Extrapolating LLMs via Rank-1 Trajectories（你仅需极简的RLVR训练：通过秩-1轨迹外推大语言模型） [03:50] 🗜 OScaR: The Occam's Razor for Extreme KV Cache Quantization in LLMs and Beyond（OScaR：面向大语言模型及更广领域的极致KV缓存量化的奥卡姆剃刀） [04:39] 🔧 IndusAgent: Reinforcing Open-Vocabulary Industrial Anomaly Detection with Agentic Tools（IndusAgent：利用智能工具增强开放词汇工业异常检测） [05:36] 🔊 A Survey of Large Audio Language Models: Generalization, Trustworthiness, and Outlook（大型音频语言模型综述：泛化、可信度与展望） [06:35] 🤝 It Takes Two: Complementary Self-Distillation for Contextual Integrity in LLMs（双管齐下：面向大语言模型语境完整性的互补式自蒸馏框架） [07:26] 📈 Toto 2.0: Time Series Forecasting Enters the Scaling Era（Toto 2.0：时间序列预测进入规模化时代） [08:20] ⚡ Mix-Quant: Quantized Prefilling, Precise Decoding for Agentic LLMs（混合量化：面向智能体大语言模型的量化预填充与精确解码） [09:25] 🧠 Generative Recursive Reasoning（生成式递归推理） [10:29] 🎬 CutVerse: A Compositional GUI Agents Benchmark for Media Post-Production Editing（CutVerse：面向媒体后期制作编辑的组合式GUI智能体基准） [11:22] 🖼 Uni-Edit: Intelligent Editing Is A General Task For Unified Model Tuning（Uni-Edit：智能编辑作为统一模型调优的通用任务） [12:08] 🧠 LLMEval-Logic: A Solver-Verified Chinese Benchmark for Logical Reasoning of LLMs with Adversarial Hardening（LLMEval-Logic：一个求解器验证的中文逻辑推理基准测试，具备对抗性强化） [13:07] ⚡ HRM-Text: Efficient Pretraining Beyond Scaling（HRM-Text：超越规模的高效预训练） 【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

【目录】 本期的 15 篇论文如下： [00:24] 🧠 Anti-Self-Distillation for Reasoning RL via Pointwise Mutual Information（基于点互信息的反自蒸馏用于推理强化学习） [01:08] 🖥 OpenComputer: Verifiable Software Worlds for Computer-Use Agents（OpenComputer：为计算机使用智能体构建可验证的软件世界） [01:53] 🧠 GoLongRL: Capability-Oriented Long Context Reinforcement Learning with Multitask Alignment（GoLongRL：面向能力的长上下文强化学习与多任务对齐） [02:49] 🔬 Process Rewards with Learned Reliability（具有学习可靠性的过程奖励模型） [03:44] 🤖 AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration（AutoResearchClaw：基于人类-人工智能协作的自我强化自主研究） [04:48] 🎭 When Vision Speaks for Sound（当视觉为声音代言） [05:50] 🏭 EnvFactory: Scaling Tool-Use Agents via Executable Environments Synthesis and Robust RL（EnvFactory：通过可执行环境合成与鲁棒强化学习扩展工具使用型智能体） [06:45] 🎬 CogOmniControl: Reasoning-Driven Controllable Video Generation via Creative Intent Cognition（CogOmniControl: 基于推理驱动的可控视频生成与创意意图认知） [07:40] 🎯 Active Learners as Efficient PRP Rerankers（主动学习器作为高效的成对排序提示重排序器） [08:24] 🎥 Artifact-Bench: Evaluating MLLMs on Detecting and Assessing the Artifacts of AI-Generated Videos（Artifact-Bench：评估多模态大语言模型在检测与评估AI生成视频伪影方面的能力） [09:14] 🎬 Aurora: Unified Video Editing with a Tool-Using Agent（Aurora：使用工具型代理的统一视频编辑框架） [10:12] 🎯 CEPO: RLVR Self-Distillation using Contrastive Evidence Policy Optimization（对比证据策略优化：基于强化学习与可验证奖励的自蒸馏方法） [11:01] 📱 OmniGUI: Benchmarking GUI Agents in Omni-Modal Smartphone Environments（OmniGUI：在全模态智能手机环境中评估GUI代理的基准测试） [11:51] 🎬 MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation（MSAVBench：迈向全面且可靠的多镜头音视频生成评估） [12:44] 🎥 Video Models Can Reason with Verifiable Rewards（视频模型可通过可验证奖励进行推理） 【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

【目录】 本期的 15 篇论文如下： [00:23] 🎬 LongLive-2.0: An NVFP4 Parallel Infrastructure for Long Video Generation（LongLive-2.0：用于长视频生成的NVFP4并行基础设施） [01:17] 🎨 Lance: Unified Multimodal Modeling by Multi-Task Synergy（Lance：通过多任务协同实现统一多模态建模） [02:24] 🤖 AI for Auto-Research: Roadmap & User Guide（人工智能自动研究：路线图与用户指南） [03:26] 🛠 SkillsVote: Lifecycle Governance of Agent Skills from Collection, Recommendation to Evolution（SkillsVote：从收集、推荐到演化的智能体技能全生命周期治理） [04:20] 🎬 KVPO: ODE-Native GRPO for Autoregressive Video Alignment via KV Semantic Exploration（KVPO：基于KV语义探索的ODE原生GRPO自回归视频对齐方法） [05:18] 🏠 Code-as-Room: Generating 3D Rooms from Top-Down View Images via Agentic Code Synthesis（代码即房间：通过智能体代码合成从俯视图生成三维房间） [06:15] 🤖 OProver: A Unified Framework for Agentic Formal Theorem Proving（OProver：面向智能体形式定理证明的统一框架） [07:14] ⚡ Post-Trained MoE Can Skip Half Experts via Self-Distillation（通过自蒸馏实现后训练MoE跳过半数专家） [07:57] 🎥 LiteFrame: Efficient Vision Encoders Unlock Frame Scaling in Video LLMs（LiteFrame：高效视觉编码器解锁视频大语言模型中的帧缩放） [08:47] 🛑 Stop When Reasoning Converges: Semantic-Preserving Early Exit for Reasoning Models（当推理收敛时停止：面向推理模型的语义保持型早停方法） [09:42] 🔀 Where Should Diffusion Enter a Language Model? Geometry-Guided Hidden-State Replacement（扩散应进入语言模型的何处？基于几何引导的隐状态替换） [10:39] 🧠 Model-Adaptive Tool Necessity Reveals the Knowing-Doing Gap in LLM Tool Use（模型自适应工具必要性揭示大语言模型工具使用中的知行差距） [11:40] 🛡 StableVLA: Towards Robust Vision-Language-Action Models without Extra Data（稳定视觉-语言-动作模型：无需额外数据实现鲁棒性） [12:43] ⚡ CompactAttention: Accelerating Chunked Prefill with Block-Union KV Selection（紧凑注意力：通过块联合KV选择加速分块预填充） [13:41] 🧪 From Runnable to Shippable: Multi-Agent Test-Driven Development for Generating Full-Stack Web Applications from Requirements（从可运行到可交付：面向全栈Web应用生成的多智能体测试驱动开发） 【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

【目录】 本期的 15 篇论文如下： [00:23] 🧠 PhysBrain 1.0 Technical Report（PhysBrain 1.0 技术报告） [00:56] 🔍 CiteVQA: Benchmarking Evidence Attribution for Trustworthy Document Intelligence（CiteVQA：为可信文档智能建立证据归因基准） [01:45] 🤖 MMSkills: Towards Multimodal Skills for General Visual Agents（MMSkills：面向通用视觉智能体的多模态技能） [02:35] 👗 FashionChameleon: Towards Real-Time and Interactive Human-Garment Video Customization（FashionChameleon：面向实时且交互式的人体-服装视频定制） [03:20] 🦾 DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo（DexJoCo：面向任务型灵巧操作的MuJoCo基准测试与工具包） [04:19] 🔮 Learning to Foresee: Unveiling the Unlocking Efficiency of On-Policy Distillation（学会预见：揭示在线策略蒸馏的解锁效率） [04:54] 🖼 InsightTok: Improving Text and Face Fidelity in Discrete Tokenization for Autoregressive Image Generation（InsightTok：改进自回归图像生成中离散标记化的文本和人脸保真度） [05:48] 🧠 Distilling Long-CoT Reasoning through Collaborative Step-wise Multi-Teacher Decoding（通过协作式逐步多教师解码蒸馏长链思维推理） [06:44] ⚡ Flash-GRPO: Efficient Alignment for Video Diffusion via One-Step Policy Optimization（Flash-GRPO：基于单步策略优化的高效视频扩散对齐方法） [07:29] 🧭 Nudging Beyond the Comfort Zone: Efficient Strategy-Guided Exploration for RLVR（超越舒适区的助推：用于RLVR的高效策略引导探索） [08:10] 🎮 ReactiveGWM: Steering NPC in Reactive Game World Models（反应式游戏世界模型：在反应性游戏世界中操控非玩家角色） [08:46] ⚖ Hölder Policy Optimisation（赫尔德策略优化） [09:36] 🧠 Solvita: Enhancing Large Language Models for Competitive Programming via Agentic Evolution（Solvita：通过智能体进化增强大型语言模型在竞赛编程中的能力） [10:22] 🌐 CM-EVS: Sparse Panoramic RGB-D-Pose Data for Complete Scene Coverage（CM-EVS：用于完整场景覆盖的稀疏全景RGB-D-姿态数据） [11:05] 🎯 PAGER: Bridging the Semantic-Execution Gap in Point-Precise Geometric GUI Control（PAGER：弥合点精确几何GUI控制中的语义-执行鸿沟） 【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

【目录】 本期的 5 篇论文如下： [00:44] TOP1(🔥211) | 🏗 MinT: Managed Infrastructure for Training and Serving Millions of LLMs（MinT：用于训练和服务数百万大语言模型的托管基础设施） [02:56] TOP2(🔥183) | 🧠 Mean Mode Screaming: Mean--Variance Split Residuals for 1000-Layer Diffusion Transformers（均值模式尖叫：面向千层扩散Transformer的均值-方差分裂残差） [04:44] TOP3(🔥171) | 🧠 SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture（SenseNova-U1: 基于NEO-unify架构统一多模态理解与生成） [06:36] TOP4(🔥145) | 🥇 Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling（通过简单且统一的缩放实现金牌级别的奥赛推理） [08:20] TOP5(🔥141) | 🔒 MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents（MemPrivacy：面向边缘-云智能体的隐私保护个性化记忆管理） 【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

【目录】 本期的 15 篇论文如下： [00:23] 🥇 Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling（通过简单且统一的缩放实现金牌级别的奥赛推理） [01:00] 🤖 Self-Distilled Agentic Reinforcement Learning（自蒸馏智能体强化学习） [01:46] 🧠 MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models（MemLens：大型视觉语言模型中多模态长期记忆的基准测试） [02:57] 👁 MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory（MemEye：面向多模态智能体记忆的视觉中心评估框架） [04:00] 🎬 SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer（SANA-WM：高效分钟级世界建模的混合线性扩散Transformer） [04:43] 🎬 Causal Forcing++: Scalable Few-Step Autoregressive Diffusion Distillation for Real-Time Interactive Video Generation（因果强制++：面向实时交互式视频生成的可扩展少步自回归扩散蒸馏） [05:21] 🧬 Darwin Family: MRI-Trust-Weighted Evolutionary Merging for Training-Free Scaling of Language-Model Reasoning（达尔文家族：基于MRI信任加权进化合并的无训练语言模型推理扩展） [06:19] 🐾 WildClawBench: A Benchmark for Real-World, Long-Horizon Agent Evaluation（WildClawBench：面向真实世界长周期智能体评估的基准） [07:11] 🧠 STALE: Can LLM Agents Know When Their Memories Are No Longer Valid?（STALE：LLM代理能否知晓其记忆何时失效？） [08:03] 🧠 Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems（超越个体智能：基于LLM的多智能体系统中的协作、故障归因与自我进化综述） [08:44] 🎥 Warp-as-History: Generalizable Camera-Controlled Video Generation from One Training Video（扭曲即历史：从单个训练视频实现可泛化的相机控制视频生成） [09:24] 🧠 PREPING: Building Agent Memory without Tasks（PREPING：无需任务构建智能体记忆） [10:04] 🧭 RouteProfile: Elucidating the Design Space of LLM Profiles for Routing（RouteProfile：阐明用于路由的LLM配置文件设计空间） [10:49] 🧠 EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents（EvolveMem：面向LLM智能体的自演化记忆架构通过自动研究实现） [11:28] 🧠 ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both（ATLAS：是智能体推理还是潜在视觉推理？一个词就足够了） 【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

【目录】 本期的 15 篇论文如下： [00:25] 🏗 MinT: Managed Infrastructure for Training and Serving Millions of LLMs（MinT：用于训练和服务数百万大语言模型的托管基础设施） [01:08] 📊 MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image（MulTaBench：融合文本与图像的多模态表格学习基准测试） [02:14] 🎬 AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation（AnyFlow：任意步数视频扩散模型与在线流图蒸馏） [03:02] 📚 Training Long-Context Vision-Language Models Effectively with Generalization Beyond 128K Context（有效训练长上下文视觉语言模型，实现超越128K上下文的泛化能力） [03:48] 🤖 Predicting Decisions of AI Agents from Limited Interaction through Text-Tabular Modeling（从有限交互中通过文本-表格建模预测AI代理的决策） [04:27] 🖼 Qwen-Image-VAE-2.0 Technical Report（千问图像变分自编码器2.0技术报告） [05:05] 🎨 Edit-Compass & EditReward-Compass: A Unified Benchmark for Image Editing and Reward Modeling（编辑指南针和编辑奖励指南针：图像编辑与奖励建模的统一基准） [06:01] 🎯 TrackCraft3R: Repurposing Video Diffusion Transformers for Dense 3D Tracking（TrackCraft3R：将视频扩散变换器重新用于密集3D跟踪） [06:57] 🧠 Many-Shot CoT-ICL: Making In-Context Learning Truly Learn（多示例思维链上下文学习：让上下文学习真正学会） [07:58] 🎯 FrameSkip: Learning from Fewer but More Informative Frames in VLA Training（FrameSkip：在VLA训练中从更少但更具信息量的帧中学习） [08:52] 🌅 The DAWN of World-Action Interactive Models（世界-动作交互模型的黎明） [09:43] 🌊 Asymmetric Flow Models（非对称流模型） [10:24] 🤖 Learning Agentic Policy from Action Guidance（从行动引导中学习智能体策略） [11:23] 💻 Retrieval is Cheap, Show Me the Code: Executable Multi-Hop Reasoning for Retrieval-Augmented Generation（检索成本低廉，给我看代码：面向检索增强生成的可执行多跳推理） [12:13] 🎬 PresentAgent-2: Towards Generalist Multimodal Presentation Agents（PresentAgent-2：迈向通用多模态演示智能体） 【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

【目录】 本期的 15 篇论文如下： [00:23] 🧠 SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture（SenseNova-U1: 基于NEO-unify架构统一多模态理解与生成） [01:10] 🔒 MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents（MemPrivacy：面向边缘-云智能体的隐私保护个性化记忆管理） [01:59] 🧠 $δ$-mem: Efficient Online Memory for Large Language Models（δ-mem：面向大型语言模型的高效在线记忆机制） [02:43] 🤖 RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards（RubricEM：超越可验证奖励的元强化学习与基于量规引导的策略分解） [03:33] 🤖 World Action Models: The Next Frontier in Embodied AI（世界动作模型：具身智能的下一个前沿） [04:22] 🤖 AlphaGRPO: Unlocking Self-Reflective Multimodal Generation in UMMs via Decompositional Verifiable Reward（AlphaGRPO：通过分解可验证奖励解锁统一多模态模型中的自反思多模态生成） [05:09] 🧩 Beyond the Last Layer: Multi-Layer Representation Fusion for Visual Tokenization（超越最后一层：多层表示融合用于视觉标记化） [06:12] 🛠 ToolCUA: Towards Optimal GUI-Tool Path Orchestration for Computer Use Agents（ToolCUA：面向计算机使用代理的最优GUI-工具路径编排） [06:51] 🏭 Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics（企业系统需要学习世界模型吗？上下文在推断动态中的重要性） [07:52] 🎨 L2P: Unlocking Latent Potential for Pixel Generation（L2P：解锁像素生成的潜在潜能） [08:33] 🎬 CausalCine: Real-Time Autoregressive Generation for Multi-Shot Video Narratives（CausalCine：面向多镜头视频叙事的实时自回归生成） [09:18] 🔍 Towards On-Policy Data Evolution for Visual-Native Multimodal Deep Search Agents（面向视觉原生多模态深度搜索代理的在策略数据进化方法） [10:18] 💻 Teaching Language Models to Think in Code（教语言模型用代码思考） [10:58] 🛡 On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment（基于失败轨迹的在线策略自我进化方法用于智能体安全对齐） [11:52] 🌌 MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments（MCP-Cosmos：MCP环境中用于复杂任务执行的世界模型增强型智能体） 【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

【目录】 本期的 15 篇论文如下： [00:25] 🧮 Soohak: A Mathematician-Curated Benchmark for Evaluating Research-level Math Capabilities of LLMs（Soohak：由数学家策划的基准测试，用于评估大语言模型的研究级数学能力） [01:30] 🎨 Qwen-Image-2.0 Technical Report（Qwen-Image-2.0技术报告） [02:23] 🎥 CollabVR: Collaborative Video Reasoning with Vision-Language and Video Generation Models（CollabVR：基于视觉语言与视频生成模型的协作式视频推理） [03:08] 🧠 TMAS: Scaling Test-Time Compute via Multi-Agent Synergy（TMAS：通过多智能体协同扩展测试时计算） [03:52] 📄 PaperFit: Vision-in-the-Loop Typesetting Optimization for Scientific Documents（PaperFit：面向科学文档的视觉在环排版优化） [04:34] 📈 Model Merging Scaling Laws in Large Language Models（大语言模型中的模型合并缩放定律） [05:19] 🧩 Geometry Conflict: Explaining and Controlling Forgetting in LLM Continual Post-Training（几何冲突：解释并控制大语言模型持续后训练中的遗忘现象） [06:20] 🌍 WorldReasonBench: Human-Aligned Stress Testing of Video Generators as Future World-State Predictors（世界推理基准：作为未来世界状态预测器的视频生成器的人类对齐压力测试） [07:12] 📊 Auto-Rubric as Reward: From Implicit Preferences to Explicit Multimodal Generative Criteria（自动评分标准作为奖励：从隐式偏好到显式多模态生成准则） [08:03] 🤖 X-OmniClaw Technical Report: A Unified Mobile Agent for Multimodal Understanding and Interaction（X-OmniClaw技术报告：一种用于多模态理解与交互的统一移动智能体） [08:51] 🧠 Memory-Efficient Looped Transformer: Decoupling Compute from Memory in Looped Language Models（内存高效的循环Transformer：在循环语言模型中解耦计算与内存） [09:35] 🔄 SEIF: Self-Evolving Reinforcement Learning for Instruction Following（SEIF：面向指令跟随的自我进化强化学习） [10:19] 🔄 Dynamic Skill Lifecycle Management for Agentic Reinforcement Learning（面向智能体强化学习的动态技能生命周期管理） [11:10] 🎨 Pixal3D: Pixel-Aligned 3D Generation from Images（Pixal3D: 从图像进行像素对齐的三维生成） [11:54] 🔄 Rebellious Student: Reversing Teacher Signals for Reasoning Exploration with Self-Distilled RLVR（叛逆学生：通过自蒸馏强化学习中的反向教师信号进行推理探索） 【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

【目录】 本期的 15 篇论文如下： [00:29] 💃 MACE-Dance: Motion-Appearance Cascaded Experts for Music-Driven Dance Video Generation（MACE-Dance：音乐驱动舞蹈视频生成的运动与外观级联专家模型） [01:07] 🎯 Flow-OPD: On-Policy Distillation for Flow Matching Models（Flow-OPD：面向流匹配模型的在线策略蒸馏） [01:58] 🎯 Listwise Policy Optimization: Group-based RLVR as Target-Projection on the LLM Response Simplex（列表式策略优化：基于组的RLVR作为LLM响应单纯形上的目标投影） [02:52] 🔍 HyperEyes: Dual-Grained Efficiency-Aware Reinforcement Learning for Parallel Multimodal Search Agents（HyperEyes：面向并行多模态搜索代理的双粒度效率感知强化学习） [03:37] 🤖 LLMs Improving LLMs: Agentic Discovery for Test-Time Scaling（大语言模型自我进化：面向测试时扩展的智能体发现框架） [04:20] 🎥 HumanNet: Scaling Human-centric Video Learning to One Million Hours（HumanNet：将人类中心视频学习扩展到一百万小时） [05:09] 🧠 Mean Mode Screaming: Mean--Variance Split Residuals for 1000-Layer Diffusion Transformers（均值模式尖叫：面向千层扩散Transformer的均值-方差分裂残差） [06:06] 🔍 Beyond Retrieval: A Multitask Benchmark and Model for Code Search（超越检索：面向代码搜索的多任务基准与模型） [07:06] 🧩 Anisotropic Modality Align（各向异性模态对齐） [07:58] 🤖 AEM: Adaptive Entropy Modulation for Multi-Turn Agentic Reinforcement Learning（AEM：面向多轮智能体强化学习的自适应熵调制） [08:49] 📜 TextLDM: Language Modeling with Continuous Latent Diffusion（TextLDM：基于连续潜在扩散的语言建模） [09:41] 🧠 4DThinker: Thinking with 4D Imagery for Dynamic Spatial Understanding（4D思考者：利用4D图像进行动态空间理解的思考） [10:25] 🎬 A$^2$RD: Agentic Autoregressive Diffusion for Long Video Consistency（A²RD：用于长视频一致性的智能自回归扩散模型） [11:04] 🛡 DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents（DecodingTrust-Agent平台（DTap）：一个可控且可交互的AI智能体红队测试平台） [11:52] 🔍 MISA: Mixture of Indexer Sparse Attention for Long-Context LLM Inference（MISA：面向长上下文大语言模型推理的混合索引器稀疏注意力机制） 【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

【目录】 本期的 5 篇论文如下： [00:33] TOP1(🔥266) | 🤖 MolmoAct2: Action Reasoning Models for Real-world Deployment（MolmoAct2：面向实际部署的動作推理模型） [03:10] TOP2(🔥145) | 🧠 From Context to Skills: Can Language Models Learn from Context Skillfully?（从上下文到技能：语言模型能否从上下文中巧妙学习？） [05:03] TOP3(🔥117) | 🎥 Stream-R1: Reliability-Perplexity Aware Reward Distillation for Streaming Video Generation（Stream-R1：面向流式视频生成的可靠性-困惑度感知奖励蒸馏） [07:22] TOP4(🔥101) | 🤖 RLDX-1 Technical Report（RLDX-1技术报告） [09:45] TOP5(🔥99) | 🤖 ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration（自主研究：通过对抗性多智能体协作实现自动化科研） 【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

【目录】 本期的 15 篇论文如下： [00:23] 🧠 MiA-Signature: Approximating Global Activation for Long-Context Understanding（MiA-签名：面向长上下文理解的全局激活近似方法） [01:32] 🧬 Skill1: Unified Evolution of Skill-Augmented Agents via Reinforcement Learning（Skill1：通过强化学习实现技能增强型智能体的统一进化） [02:14] 🎯 MARBLE: Multi-Aspect Reward Balance for Diffusion RL（MARBLE：面向扩散强化学习的多维度奖励平衡方法） [03:08] 🤖 When to Trust Imagination: Adaptive Action Execution for World Action Models（何时信任想象力：面向世界动作模型的自适应动作执行） [04:06] 🧠 Continuous Latent Diffusion Language Model（连续潜在扩散语言模型） [04:50] 🏆 RaguTeam at SemEval-2026 Task 8: Meno and Friends in a Judge-Orchestrated LLM Ensemble for Faithful Multi-Turn Response Generation（RaguTeam 在 SemEval-2026 任务8：基于裁判编排的大语言模型集成实现忠实的多轮响应生成） [05:36] 🧠 Nonsense Helps: Prompt Space Perturbation Broadens Reasoning Exploration（无意义文本助力：提示空间扰动拓宽推理探索） [06:13] ⚡ Continuous-Time Distribution Matching for Few-Step Diffusion Distillation（连续时间分布匹配用于少步扩散蒸馏） [06:48] 🎬 Audio-Visual Intelligence in Large Foundation Models（大型基础模型中的音视频智能） [07:24] 🤖 Auto Research with Specialist Agents Develops Effective and Non-Trivial Training Recipes（利用专家智能体进行自动研究，开发高效且非平凡的训练方案） [08:12] 🤖 A$^2$TGPO: Agentic Turn-Group Policy Optimization with Adaptive Turn-level Clipping（A²TGPO：基于自适应回合级裁剪的智能体回合组策略优化） [09:12] 🧩 UniPool: A Globally Shared Expert Pool for Mixture-of-Experts（UniPool：面向混合专家模型的全局共享专家池） [09:58] 🧠 SkillOS: Learning Skill Curation for Self-Evolving Agents（SkillOS：学习技能策展以实现自我进化智能体） [10:49] 🚗 ReflectDrive-2: Reinforcement-Learning-Aligned Self-Editing for Discrete Diffusion Driving（ReflectDrive-2：面向离散扩散驾驶的强化学习对齐自编辑方法） [11:46] 📊 TabEmbed: Benchmarking and Learning Generalist Embeddings for Tabular Understanding（TabEmbed：面向表格理解的通用嵌入模型的基准测试与学习） 【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

【目录】 本期的 15 篇论文如下： [00:24] 🎥 Stream-R1: Reliability-Perplexity Aware Reward Distillation for Streaming Video Generation（Stream-R1：面向流式视频生成的可靠性-困惑度感知奖励蒸馏） [01:27] 🎥 Stream-T1: Test-Time Scaling for Streaming Video Generation（Stream-T1：面向流式视频生成的测试时扩展） [02:06] 🔍 OpenSearch-VL: An Open Recipe for Frontier Multimodal Search Agents（OpenSearch-VL：前沿多模态搜索智能体的开放配方） [03:07] 🤖 RLDX-1 Technical Report（RLDX-1技术报告） [04:06] 🚗 HERMES++: Toward a Unified Driving World Model for 3D Scene Understanding and Generation（HERMES++：迈向统一驾驶世界模型，用于3D场景理解与生成） [04:50] ⚙ PhysForge: Generating Physics-Grounded 3D Assets for Interactive Virtual World（PhysForge：为交互式虚拟世界生成物理基础的3D资产） [05:40] 🎨 D-OPSD: On-Policy Self-Distillation for Continuously Tuning Step-Distilled Diffusion Models（D-OPSD：用于持续调优步蒸馏扩散模型的在策略自蒸馏方法） [06:38] 🔍 Rethinking Reasoning-Intensive Retrieval: Evaluating and Advancing Retrievers in Agentic Search Systems（重新思考推理密集型检索：评估与推进智能体搜索系统中的检索器） [07:46] ⚡ Lightning Unified Video Editing via In-Context Sparse Attention（基于上下文稀疏注意力的闪电式统一视频编辑） [08:38] 🧠 Awaking Spatial Intelligence in Unified Multimodal Understanding and Generation（在多模态统一理解与生成中唤醒空间智能） [09:27] 🎯 Parameter-Efficient Multi-View Proficiency Estimation: From Discriminative Classification to Generative Feedback（参数高效的多视角技能评估：从判别分类到生成式反馈） [10:11] 🎵 APEX: Large-scale Multi-task Aesthetic-Informed Popularity Prediction for AI-Generated Music（APEX：面向AI生成音乐的大规模多任务审美感知流行度预测） [10:54] 🧠 ResRL: Boosting LLM Reasoning via Negative Sample Projection Residual Reinforcement Learning（ResRL：通过负样本投影残差强化学习提升大语言模型推理能力） [11:47] 🧩 Diffusion Model as a Generalist Segmentation Learner（扩散模型作为通用分割学习器） [12:26] 🔬 MedSkillAudit: A Domain-Specific Audit Framework for Medical Research Agent Skills（MedSkillAudit：面向医学研究智能体技能的领域特定审计框架） 【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

【目录】 本期的 15 篇论文如下： [00:25] 🤖 ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration（自主研究：通过对抗性多智能体协作实现自动化科研） [00:59] 🎯 Beyond SFT-to-RL: Pre-alignment via Black-Box On-Policy Distillation for Multimodal RL（超越SFT到RL：通过黑盒在线策略蒸馏实现多模态强化学习的预对齐） [01:54] 🔍 OpenSeeker-v2: Pushing the Limits of Search Agents with Informative and High-Difficulty Trajectories（OpenSeeker-v2：用信息丰富且高难度的轨迹推动搜索智能体的极限） [02:42] 🎯 X2SAM: Any Segmentation in Images and Videos（X2SAM：图像与视频中的任意分割） [03:23] 🧠 HeavySkill: Heavy Thinking as the Inner Skill in Agentic Harness（HeavySkill：智能体框架中的深度思考作为内在技能） [04:23] 🎬 Video Generation with Predictive Latents（基于预测性潜变量的视频生成） [05:05] 📜 PatRe: A Full-Stage Office Action and Rebuttal Generation Benchmark for Patent Examination（PatRe：面向专利审查的全阶段审查意见与答复生成基准） [05:45] 🎨 SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors（SVGS：利用空间变化颜色基元增强高斯泼溅） [06:31] 📂 Workspace-Bench 1.0: Benchmarking AI Agents on Workspace Tasks with Large-Scale File Dependencies（工作空间基准1.0：针对具有大规模文件依赖的工作空间任务评估AI代理） [07:28] 🤒 SymptomAI: Towards a Conversational AI Agent for Everyday Symptom Assessment（SymptomAI: 面向日常症状评估的对话式AI代理） [08:11] 🤖 Reinforcement Learning for LLM-based Multi-Agent Systems through Orchestration Traces（基于编排轨迹的大语言模型多智能体系统强化学习） [08:44] 🧩 SplAttN: Bridging 2D and 3D with Gaussian Soft Splatting and Attention for Point Cloud Completion（SplAttN：利用高斯软溅射与注意力机制桥接2D和3D的点云补全） [09:39] 🌍 A Benchmark for Interactive World Models with a Unified Action Generation Framework（交互式世界模型基准测试与统一动作生成框架） [10:25] 🔄 The TTS-STT Flywheel: Synthetic Entity-Dense Audio Closes the Indic ASR Gap Where Commercial and Open-Source Systems Fail（TTS-STT飞轮：合成密集实体音频填补了商业和开源系统失败的印地语ASR差距） [11:12] 💬 TCDA: Thread-Constrained Discourse-Aware Modeling for Conversational Sentiment Quadruple Analysis（TCDA：线程约束的对话感知建模用于对话情感四元组分析） 【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

【目录】 本期的 14 篇论文如下： [00:21] 🤖 MolmoAct2: Action Reasoning Models for Real-world Deployment（MolmoAct2：面向实际部署的動作推理模型） [01:02] 🧠 From Context to Skills: Can Language Models Learn from Context Skillfully?（从上下文到技能：语言模型能否从上下文中巧妙学习？） [01:44] 🔁 Repetition over Diversity: High-Signal Data Filtering for Sample-Efficient German Language Modeling（重复胜于多样：面向样本高效德语语言模型的高信号数据过滤） [02:35] 👁 Persistent Visual Memory: Sustaining Perception for Deep Generation in LVLMs（持久视觉记忆：在大视觉语言模型中维持感知以支持深度生成） [03:18] 🌊 OceanPile: A Large-Scale Multimodal Ocean Corpus for Foundation Models（海洋堆：面向基础模型的大规模多模态海洋语料库） [03:56] 🧩 ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models（ComboStoc：扩散生成模型的组合随机性） [04:44] 🎓 AcademiClaw: When Students Set Challenges for AI Agents（AcademiClaw：当学生为AI代理设置挑战时） [05:25] 🏥 PhysicianBench: Evaluating LLM Agents in Real-World EHR Environments（医师基准：在真实电子健康记录环境中评估大语言模型智能体） [06:06] 🤖 T$^2$PO: Uncertainty-Guided Exploration Control for Stable Multi-Turn Agentic Reinforcement Learning（T²PO：不确定性引导的探索控制实现稳定多轮智能体强化学习） [07:04] 🌳 Hierarchical Abstract Tree for Cross-Document Retrieval-Augmented Generation（面向跨文档检索增强生成的分层抽象树） [07:54] 🌌 Generative Modeling with Orbit-Space Particle Flow Matching（基于轨道空间粒子流匹配的生成式建模） [08:30] 🧠 Perceptual Flow Network for Visually Grounded Reasoning（感知流网络用于视觉基础推理） [09:06] 🎬 Motion-Aware Caching for Efficient Autoregressive Video Generation（运动感知缓存实现高效自回归视频生成） [09:54] 🤖 Code World Model Preparedness Report（代码世界模型准备情况报告） 【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