本期的 6 篇论文如下：

[00:28] 🧠 LLaVA-o1: Let Vision Language Models Reason Step-by-Step（LLaVA-o1：让视觉语言模型逐步推理）

[01:14] 🎨 Region-Aware Text-to-Image Generation via Hard Binding and Soft Refinement（区域感知文本到图像生成：硬绑定与软优化）

[01:51] 🌐 GaussianAnything: Interactive Point Cloud Latent Diffusion for 3D Generation（高斯任意：交互式点云潜在扩散用于3D生成）

[02:25] 🌅 The Dawn of GUI Agent: A Preliminary Case Study with Claude 3.5 Computer Use（GUI代理的黎明：基于Claude 3.5计算机使用的初步案例研究）

[03:00] 📖 Number it: Temporal Grounding Videos like Flipping Manga（像翻阅漫画一样进行视频时间定位）

[03:45] 🌍 Xmodel-1.5: An 1B-scale Multilingual LLM（Xmodel-1.5：一个10亿参数的多语言大型语言模型）

【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