本期的 15 篇论文如下：

[00:22] 🎬 Long-Context Autoregressive Video Modeling with Next-Frame Prediction（基于下一帧预测的长程上下文自回归视频建模）

[01:01] 🖼 CoMP: Continual Multimodal Pre-training for Vision Foundation Models（CoMP：面向视觉基础模型的持续多模态预训练）

[01:42] 🎬 Exploring Hallucination of Large Multimodal Models in Video Understanding: Benchmark, Analysis and Mitigation（探索大型多模态模型在视频理解中的幻觉现象：基准、分析与缓解）

[02:28] 📈 Inference-Time Scaling for Flow Models via Stochastic Generation and Rollover Budget Forcing（基于随机生成与回滚预算强制的Flow模型推理时扩展）

[03:14] 🖼 Spot the Fake: Large Multimodal Model-Based Synthetic Image Detection with Artifact Explanation（揪出伪造：基于大型多模态模型的合成图像检测与伪影解释）

[03:54] 🖼 Scaling Vision Pre-Training to 4K Resolution（将视觉预训练扩展到4K分辨率）

[04:33] 🤔 Think Twice: Enhancing LLM Reasoning by Scaling Multi-round Test-time Thinking（三思而后行：通过扩展多轮测试时思考来增强LLM推理能力）

[05:15] 🖼 CoLLM: A Large Language Model for Composed Image Retrieval（CoLLM：用于组合图像检索的大型语言模型）

[05:53] 🤖 MDocAgent: A Multi-Modal Multi-Agent Framework for Document Understanding（MDocAgent：用于文档理解的多模态多代理框架）

[06:35] 🖼 Latent Space Super-Resolution for Higher-Resolution Image Generation with Diffusion Models（基于扩散模型的潜在空间超分辨率高分辨率图像生成）

[07:13] 🔍 ReSearch: Learning to Reason with Search for LLMs via Reinforcement Learning（ReSearch：通过强化学习训练大型语言模型以进行搜索推理）

[07:54] 🛡 LookAhead Tuning: Safer Language Models via Partial Answer Previews（前瞻调优：通过部分答案预览实现更安全的语言模型）

[08:38] 💡 Frequency Dynamic Convolution for Dense Image Prediction（用于密集图像预测的频率动态卷积）

[09:18] 🖼 LPOSS: Label Propagation Over Patches and Pixels for Open-vocabulary Semantic Segmentation（LPOSS：基于图像块和像素的标签传播，用于开放词汇语义分割）

[09:51] 🧬 Gumbel-Softmax Flow Matching with Straight-Through Guidance for Controllable Biological Sequence Generation（基于直通引导的Gumbel-Softmax Flow Matching用于可控生物序列生成）

【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