本期的 20 篇论文如下：

[00:26] 🤔 The Differences Between Direct Alignment Algorithms are a Blur（直接对齐算法的差异逐渐模糊）

[01:07] 🤖 OmniHuman-1: Rethinking the Scaling-Up of One-Stage Conditioned Human Animation Models（OmniHuman-1：重新思考单阶段条件式人体动画模型的放大）

[01:48] 💡 Process Reinforcement through Implicit Rewards（基于隐式奖励的过程强化）

[02:36] ⚖ Preference Leakage: A Contamination Problem in LLM-as-a-judge（偏好泄露：LLM即评判器中的污染问题）

[03:14] 🛡 SafeRAG: Benchmarking Security in Retrieval-Augmented Generation of Large Language Model（SafeRAG：评估大语言模型检索增强生成中的安全性）

[04:02] 🚀 FastKV: KV Cache Compression for Fast Long-Context Processing with Token-Selective Propagation（FastKV：通过令牌选择性传播实现快速长文本处理的KV缓存压缩）

[04:50] 🌍 AIN: The Arabic INclusive Large Multimodal Model（AIN：阿拉伯语包容性大型多模态模型）

[05:39] 🧠 DeepRAG: Thinking to Retrieval Step by Step for Large Language Models（DeepRAG：面向大型语言模型的逐步思考检索）

[06:30] 🤔 MM-IQ: Benchmarking Human-Like Abstraction and Reasoning in Multimodal Models（MM-IQ：多模态模型中类人抽象与推理能力的基准测试）

[07:19] 🛡 Almost Surely Safe Alignment of Large Language Models at Inference-Time（大语言模型在推理时近乎完全安全的对齐）

[08:04] 🤔 ZebraLogic: On the Scaling Limits of LLMs for Logical Reasoning（ZebraLogic：关于大型语言模型在逻辑推理中的扩展极限）

[08:49] 🤔 The Jumping Reasoning Curve? Tracking the Evolution of Reasoning Performance in GPT-[n] and o-[n] Models on Multimodal Puzzles（跳跃的推理曲线？追踪GPT-[n]和o-[n]模型在多模态谜题上的推理性能演变）

[09:38] 🎮 Improving Transformer World Models for Data-Efficient RL（改进Transformer世界模型以实现数据高效的强化学习）

[10:22] 💡 Improved Training Technique for Latent Consistency Models（改进的潜在一致性模型训练技术）

[11:07] 🧠 Scaling Embedding Layers in Language Models（语言模型中扩展嵌入层）

[11:42] 🎨 SliderSpace: Decomposing the Visual Capabilities of Diffusion Models（SliderSpace：解构扩散模型的视觉能力）

[12:24] 🤔 PhD Knowledge Not Required: A Reasoning Challenge for Large Language Models（无需博士知识：大型语言模型的推理挑战）

[13:08] 🧠 Lifelong Sequential Knowledge Editing without Model Degradation（终身序列知识编辑，且不降低模型性能）

[13:46] 🔬 Current Pathology Foundation Models are unrobust to Medical Center Differences（当前病理学基础模型对于医疗中心差异不具有鲁棒性）

[14:37] 🫀 A Study on the Performance of U-Net Modifications in Retroperitoneal Tumor Segmentation（U-Net改进模型在腹膜后肿瘤分割中的性能研究）

【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