Shownotes Transcript
本期的 14 篇论文如下：
[00:26] 🎨 BlenderFusion: 3D-Grounded Visual Editing and Generative Compositing（BlenderFusion：基于3D的视觉编辑和生成式合成）
[00:59] ✂ LLaVA-Scissor: Token Compression with Semantic Connected Components for Video LLMs（LLaVA-Scissor：基于语义连通分量的视频LLM令牌压缩）
[01:42] 🖼 XVerse: Consistent Multi-Subject Control of Identity and Semantic Attributes via DiT Modulation（XVerse：通过DiT调制实现对身份和语义属性的多主体一致性控制）
[02:24] 🎬 ShotBench: Expert-Level Cinematic Understanding in Vision-Language Models（ShotBench：视觉-语言模型中专家级电影理解）
[03:05] 🖼 From Ideal to Real: Unified and Data-Efficient Dense Prediction for Real-World Scenarios（从理想到现实：面向真实场景的统一且数据高效的密集预测）
[03:44] 🖼 MiCo: Multi-image Contrast for Reinforcement Visual Reasoning（MiCo：用于增强视觉推理的多图像对比学习）
[04:24] 🧮 Pangu Pro MoE: Mixture of Grouped Experts for Efficient Sparsity（Pangu Pro MoE：用于高效稀疏性的分组专家混合模型）
[05:06] 🗺 Fine-Grained Preference Optimization Improves Spatial Reasoning in VLMs（细粒度偏好优化提升视觉语言模型中的空间推理能力）
[05:52] 🤖 Ark: An Open-source Python-based Framework for Robot Learning（Ark：一个用于机器人学习的开源Python框架）
[06:36] 🎨 Noise Consistency Training: A Native Approach for One-Step Generator in Learning Additional Controls（噪声一致性训练：一种在学习额外控制时用于单步生成器的原生方法）
[07:20] 🏎 The Automated LLM Speedrunning Benchmark: Reproducing NanoGPT Improvements（自动化LLM竞速基准：复现NanoGPT的改进）
[08:01] 🧠 Gazal-R1: Achieving State-of-the-Art Medical Reasoning with Parameter-Efficient Two-Stage Training（Gazal-R1：通过参数高效的两阶段训练实现最先进的医学推理）
[08:45] 🧮 Confucius3-Math: A Lightweight High-Performance Reasoning LLM for Chinese K-12 Mathematics Learning（Confucius3-Math：一个用于中国K-12数学学习的轻量级高性能推理大语言模型）
[09:39] 👁 RetFiner: A Vision-Language Refinement Scheme for Retinal Foundation Models（RetFiner：用于视网膜基础模型的视觉-语言精炼方案）
【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