本期的 20 篇论文如下：

[00:25] 🎙 Soundwave: Less is More for Speech-Text Alignment in LLMs（声波：减少数据需求，优化语音与文本对齐在LLMs中的应用）

[01:05] 🔍 Cramming 1568 Tokens into a Single Vector and Back Again: Exploring the Limits of Embedding Space Capacity（将1568个Token压缩到一个向量并再次解压：探索嵌入空间容量的极限）

[01:48] 🌊 Continuous Diffusion Model for Language Modeling（连续扩散模型用于语言建模）

[02:30] 🎥 Phantom: Subject-consistent video generation via cross-modal alignment（幻影：通过跨模态对齐实现主体一致性视频生成）

[03:12] 🧠 Rethinking Diverse Human Preference Learning through Principal Component Analysis（重新思考通过主成分分析进行多样化人类偏好学习）

[04:00] 🤖 SoFar: Language-Grounded Orientation Bridges Spatial Reasoning and Object Manipulation（SoFar：语言引导的方向桥接空间推理与对象操作）

[04:36] 🛡 SafeRoute: Adaptive Model Selection for Efficient and Accurate Safety Guardrails in Large Language Models（SafeRoute：大型语言模型中高效且准确的安全防护栏的自适应模型选择）

[05:25] 🐍 Multimodal Mamba: Decoder-only Multimodal State Space Model via Quadratic to Linear Distillation（多模态Mamba：通过二次到线性蒸馏的解码器多模态状态空间模型）

[06:08] 📚 You Do Not Fully Utilize Transformer's Representation Capacity（你没有充分利用Transformer的表示能力）

[06:50] 🤖 Magma: A Foundation Model for Multimodal AI Agents（熔岩：多模态AI代理的基础模型）

[07:23] 💹 FLAG-Trader: Fusion LLM-Agent with Gradient-based Reinforcement Learning for Financial Trading（FLAG-Trader：融合LLM与基于梯度的强化学习用于金融交易）

[08:08] 📄 RealSyn: An Effective and Scalable Multimodal Interleaved Document Transformation Paradigm（RealSyn：一种有效且可扩展的多模态交错文档转换范式）

[08:49] 🧠 PAFT: Prompt-Agnostic Fine-Tuning（PAFT：与提示无关的微调）

[09:27] 🛠 OctoTools: An Agentic Framework with Extensible Tools for Complex Reasoning（OctoTools：一个具有扩展工具的复杂推理代理框架）

[10:13] 📊 Revisiting the Test-Time Scaling of o1-like Models: Do they Truly Possess Test-Time Scaling Capabilities?（重新审视o1类模型的测试时缩放能力：它们是否真正具备测试时缩放能力？）

[11:00] 🔄 MUDDFormer: Breaking Residual Bottlenecks in Transformers via Multiway Dynamic Dense Connections（MUDDFormer：通过多路动态密集连接打破Transformer中的残差瓶颈）

[11:37] 🩺 HealthGPT: A Medical Large Vision-Language Model for Unifying Comprehension and Generation via Heterogeneous Knowledge Adaptation（HealthGPT：通过异构知识适应实现医疗大视觉语言模型的统一理解与生成）

[12:12] 🧠 HeadInfer: Memory-Efficient LLM Inference by Head-wise Offloading（HeadInfer：通过分头卸载实现高效的LLM推理）

[12:51] 🌍 Text2World: Benchmarking Large Language Models for Symbolic World Model Generation（文本到世界：大语言模型符号世界模型生成的基准测试）

[13:32] 🧠 Atom of Thoughts for Markov LLM Test-Time Scaling（用于马尔可夫LLM测试时扩展的原子思维）

【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