本期的 15 篇论文如下：

[00:23] 🌏 Crowdsource, Crawl, or Generate? Creating SEA-VL, a Multicultural Vision-Language Dataset for Southeast Asia（众包、爬取还是生成？创建东南亚视觉语言数据集SEA-VL）

[01:04] 🧠 LMM-R1: Empowering 3B LMMs with Strong Reasoning Abilities Through Two-Stage Rule-Based RL（LMM-R1：通过两阶段基于规则的强化学习赋予3B参数大模态模型强大的推理能力）

[01:43] 🎵 YuE: Scaling Open Foundation Models for Long-Form Music Generation（YuE：扩展开放基础模型用于长篇音乐生成）

[02:17] 👤 Uni$\textbf{F}^2$ace: Fine-grained Face Understanding and Generation with Unified Multimodal Models（UniF²ace：基于统一多模态模型的细粒度人脸理解和生成）

[02:59] 🎥 MagicInfinite: Generating Infinite Talking Videos with Your Words and Voice（MagicInfinite：用你的文字和声音生成无限对话视频）

[03:42] 🧠 SegAgent: Exploring Pixel Understanding Capabilities in MLLMs by Imitating Human Annotator Trajectories（SegAgent：通过模仿人类标注者轨迹探索多模态大模型的像素理解能力）

[04:19] 🌐 Seedream 2.0: A Native Chinese-English Bilingual Image Generation Foundation Model（Seedream 2.0：一种中英双语图像生成基础模型）

[05:03] 🌐 Gemini Embedding: Generalizable Embeddings from Gemini（双子座嵌入：从双子座模型中获得可泛化的嵌入）

[05:45] 🧠 Implicit Reasoning in Transformers is Reasoning through Shortcuts（Transformer中的隐式推理是通过捷径实现的）

[06:21] 🌟 LightGen: Efficient Image Generation through Knowledge Distillation and Direct Preference Optimization（LightGen：通过知识蒸馏和直接偏好优化实现高效图像生成）

[07:06] 🎥 Tuning-Free Multi-Event Long Video Generation via Synchronized Coupled Sampling（无需调参的多事件长视频生成通过同步耦合采样）

[07:44] 🧠 Optimizing Test-Time Compute via Meta Reinforcement Fine-Tuning（通过元强化微调优化测试时计算）

[08:30] 🌐 OmniMamba: Efficient and Unified Multimodal Understanding and Generation via State Space Models（OmniMamba：基于线性架构的高效统一多模态理解和生成模型）

[09:14] 🧠 CineBrain: A Large-Scale Multi-Modal Brain Dataset During Naturalistic Audiovisual Narrative Processing（CineBrain：自然视听叙事处理中的大规模多模态脑数据集）

[09:52] 🎥 Video Action Differencing（视频动作差异分析）

【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