【目录】
本期的 15 篇论文如下：
[00:24] 🎯 LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding（LocateAnything：基于并行框解码的快速高质量视觉-语言定位）
[01:13] 🧩 SpatialBench: Is Your Spatial Foundation Model an All-Round Player?（SpatialBench：你的空间基础模型是全能选手吗？）
[02:07] 🎬 EvalVerse: Pipeline-Aware and Expert-Calibrated Benchmarking for Professional Cinematic Video Generation（EvalVerse：面向专业电影级视频生成的流水线感知与专家校准基准测试框架）
[03:06] 📱 MobileGym: A Verifiable and Highly Parallel Simulation Platform for Mobile GUI Agent Research（MobileGym：一个可验证且高度并行的移动图形用户界面智能体研究仿真平台）
[04:05] 🏗 Geometry-Aware Representation Denoising for Robust Multi-view 3D Reconstruction（几何感知表示去噪：面向鲁棒的多视图三维重建）
[05:00] 🎬 LongAV-Compass: Towards Unified Evaluation of Minute-Scale Audio-Visual Generation Across T2AV, I2AV, and V2AV（LongAV-Compass：面向分钟级音视频生成的统一评估框架，涵盖文本到音视频、图像到音视频及视频到音视频）
[05:59] 🛡 $D^2$-Monitor: Dynamic Safety Monitoring for Diffusion LLMs via Hesitation-Aware Routing（D²-Monitor：基于犹豫感知路由的扩散大语言模型动态安全监控）
[06:54] 🤖 The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence（MiniMax-M2系列：微型激活释放最大现实智能）
[07:51] 🤝 Share More, Search Less: Collaborative Parallel Thinking for Efficient Test-Time Scaling（多分享，少搜索：面向高效测试时扩展的协作式并行思考）
[08:46] 🎬 Soap2Soap: Long Cinematic Video Remaking via Multi-Agent Collaboration（Soap2Soap：基于多智能体协作的长篇影视视频重制）
[09:46] 👁 LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence（LLaVA-OneVision-2：迈向下一代感知智能）
[10:37] 🤖 VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions（VitaBench 2.0：评估长期用户交互中的个性化与主动型智能体）
[11:42] 👁 Does Seeing More Mean Knowing More? Mono-Anchored Advantage Normalization for Multi-Source Visual Reasoning（看见更多就意味着知道更多吗？面向多源视觉推理的单锚点优势归一化方法）
[12:34] 🔮 JLT: Clean-Latent Prediction in Latent Diffusion Transformers（JLT：潜在扩散Transformer中的干净潜在预测）
[13:17] 🧠 Efficient Agentic Reinforcement Learning with On-Policy Intrinsic Knowledge Boundary Enhancement（基于策略的内在知识边界增强的高效智能体强化学习）

【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