本期的 18 篇论文如下：

[00:21] 🚀 MPO: Boosting LLM Agents with Meta Plan Optimization（MPO：通过元计划优化提升LLM代理）

[00:59] 🤖 Mask-DPO: Generalizable Fine-grained Factuality Alignment of LLMs（Mask-DPO：大语言模型的可泛化细粒度事实性对齐）

[01:43] 🧩 LADDER: Self-Improving LLMs Through Recursive Problem Decomposition（LADDER：通过递归问题分解实现自我改进的LLMs）

[02:26] 📚 Wikipedia in the Era of LLMs: Evolution and Risks（大语言模型时代的维基百科：演变与风险）

[03:06] 🚀 PipeOffload: Improving Scalability of Pipeline Parallelism with Memory Optimization（PipeOffload：通过内存优化提升流水线并行的可扩展性）

[03:50] 🔄 Iterative Value Function Optimization for Guided Decoding（迭代价值函数优化指导解码）

[04:33] 🤖 MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents（多智能体基准：评估LLM智能体的协作与竞争）

[05:19] ⚡ FR-Spec: Accelerating Large-Vocabulary Language Models via Frequency-Ranked Speculative Sampling（FR-Spec：通过频率排序的推测采样加速大词汇量语言模型）

[05:58] 🧐 SemViQA: A Semantic Question Answering System for Vietnamese Information Fact-Checking（SemViQA：越南信息事实核查的语义问答系统）

[06:45] 🖼 RectifiedHR: Enable Efficient High-Resolution Image Generation via Energy Rectification（RectifiedHR：通过能量校正实现高效的高分辨率图像生成）

[07:18] 🌐 UFO: A Unified Approach to Fine-grained Visual Perception via Open-ended Language Interface（UFO：通过开放式语言接口实现细粒度视觉感知统一方法）

[07:56] 🧠 ATLaS: Agent Tuning via Learning Critical Steps（通过学习关键步骤进行代理调优）

[08:41] 🤖 Language Models can Self-Improve at State-Value Estimation for Better Search（语言模型能够在状态值估计中自我改进以提升搜索效果）

[09:24] 🔧 IterPref: Focal Preference Learning for Code Generation via Iterative Debugging（迭代调试优化的代码生成偏好学习）

[10:15] 🔬 SPIDER: A Comprehensive Multi-Organ Supervised Pathology Dataset and Baseline Models（SPIDER：综合多器官监督病理数据集与基线模型）

[10:56] 🌐 Improve Representation for Imbalanced Regression through Geometric Constraints（通过几何约束改进不平衡回归的表示）

[11:35] 🎯 Q-Eval-100K: Evaluating Visual Quality and Alignment Level for Text-to-Vision Content（Q-Eval-100K：评估文本到视觉内容的质量与对齐水平）

[12:16] 🤖 AppAgentX: Evolving GUI Agents as Proficient Smartphone Users（AppAgentX：演进出熟练使用智能手机的图形用户界面代理）

【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