【赞助商】

通勤路上就听AI每周谈。AI每周谈，每周带你回顾上周AI大事

传送门 🔗https://www.xiaoyuzhoufm.com/podcast/688a34636f5a275f1cba40fd

【目录】

本期的 15 篇论文如下：

[00:32] 🎨 Geometry-Guided Reinforcement Learning for Multi-view Consistent 3D Scene Editing（几何引导的强化学习用于多视角一致的3D场景编辑）

[01:11] 🔄 Omni-Diffusion: Unified Multimodal Understanding and Generation with Masked Discrete Diffusion（Omni-Diffusion：基于掩码离散扩散的统一多模态理解与生成）

[02:06] 🧠 Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs（思考以回忆：推理如何解锁大语言模型中的参数化知识）

[02:55] 🚀 MM-Zero: Self-Evolving Multi-Model Vision Language Models From Zero Data（MM-Zero：从零数据自演进的多模态视觉语言模型）

[03:41] 🧠 InternVL-U: Democratizing Unified Multimodal Models for Understanding, Reasoning, Generation and Editing（InternVL-U：民主化统一多模态模型，实现理解、推理、生成与编辑）

[04:34] 🏸 Stepping VLMs onto the Court: Benchmarking Spatial Intelligence in Sports（让视觉语言模型踏上赛场：体育场景空间智能基准测试）

[05:15] 🔍 Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs（阅读而非思考：理解并弥合多模态大语言模型中文本像素化时的模态鸿沟）

[06:01] 🗣 Fish Audio S2 Technical Report（Fish Audio S2 技术报告）

[06:48] 🎧 Are Audio-Language Models Listening? Audio-Specialist Heads for Adaptive Audio Steering（音频语言模型在聆听吗？用于自适应音频引导的音频专家注意力头）

[07:45] 📱 MiniAppBench: Evaluating the Shift from Text to Interactive HTML Responses in LLM-Powered Assistants（MiniAppBench：评估LLM驱动助手中从文本到交互式HTML响应的转变）

[08:48] 🔍 VLM-SubtleBench: How Far Are VLMs from Human-Level Subtle Comparative Reasoning?（VLM-SubtleBench：视觉语言模型距离人类级别的细微比较推理还有多远？）

[09:34] 🗣 Do What I Say: A Spoken Prompt Dataset for Instruction-Following（按我说的做：一个用于指令跟随的语音提示数据集）

[10:20] 🎬 Streaming Autoregressive Video Generation via Diagonal Distillation（通过对角线蒸馏实现流式自回归视频生成）

[11:08] 🧪 Test-Driven AI Agent Definition (TDAD): Compiling Tool-Using Agents from Behavioral Specifications（测试驱动AI智能体定义（TDAD）：从行为规范编译工具使用型智能体）

[11:58] ⚖ Decoupling Reasoning and Confidence: Resurrecting Calibration in Reinforcement Learning from Verifiable Rewards（解耦推理与置信度：在可验证奖励的强化学习中重建校准）

【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