本期的 15 篇论文如下：

[00:25] 🔍 InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields（InfiniDepth：基于神经隐式场的任意分辨率与细粒度深度估计）

[01:07] 🎙 MOSS Transcribe Diarize: Accurate Transcription with Speaker Diarization（MOSS转录与说话人分离：带说话人归属和时间戳的准确转录）

[01:46] 🔬 SciEvalKit: An Open-source Evaluation Toolkit for Scientific General Intelligence（SciEvalKit：一个用于科学通用智能的开源评估工具包）

[02:32] 🎬 LTX-2: Efficient Joint Audio-Visual Foundation Model（LTX-2：高效的联合视听基础模型）

[03:26] 🦄 UniCorn: Towards Self-Improving Unified Multimodal Models through Self-Generated Supervision（UniCorn：通过自生成监督实现自改进统一多模态模型）

[04:06] 🎨 DreamStyle: A Unified Framework for Video Stylization（DreamStyle：视频风格化的统一框架）

[04:38] 🧠 CogFlow: Bridging Perception and Reasoning through Knowledge Internalization for Visual Mathematical Problem Solving（CogFlow：通过知识内化桥接感知与推理，用于视觉数学问题求解）

[05:25] ⚡ MiMo-V2-Flash Technical Report（MiMo-V2-Flash 技术报告）

[06:15] 🎮 NitroGen: An Open Foundation Model for Generalist Gaming Agents（NitroGen：通用游戏智能体的开放基础模型）

[06:58] 🤖 SOP: A Scalable Online Post-Training System for Vision-Language-Action Models（SOP：一种可扩展的视觉-语言-动作模型在线后训练系统）

[07:43] 🛡 OpenRT: An Open-Source Red Teaming Framework for Multimodal LLMs（OpenRT：一个用于多模态大语言模型的开源红队测试框架）

[08:31] 📍 The Sonar Moment: Benchmarking Audio-Language Models in Audio Geo-Localization（声纳时刻：音频语言模型在音频地理定位中的基准测试）

[09:14] 🔍 X-MuTeST: A Multilingual Benchmark for Explainable Hate Speech Detection and A Novel LLM-consulted Explanation Framework（X-MuTeST：一个用于可解释仇恨言论检测的多语言基准及一种新颖的LLM咨询解释框架）

[09:57] 🧠 Parallel Latent Reasoning for Sequential Recommendation（并行潜在推理用于序列推荐）

[10:27] 🤖 WebGym: Scaling Training Environments for Visual Web Agents with Realistic Tasks（WebGym：利用真实任务扩展视觉网络代理的训练环境）

【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