本期的 21 篇论文如下：

[00:26] 🌐 Material Anything: Generating Materials for Any 3D Object via Diffusion（材料生成：通过扩散生成任意3D对象的材料）

[01:05] 🎨 Large-Scale Text-to-Image Model with Inpainting is a Zero-Shot Subject-Driven Image Generator（基于修复的大规模文本到图像模型：零样本主题驱动图像生成器）

[01:48] 🤖 From Generation to Judgment: Opportunities and Challenges of LLM-as-a-judge（从生成到判断：LLM作为评判者的机遇与挑战）

[02:22] 🌐 Knowledge Transfer Across Modalities with Natural Language Supervision（基于自然语言监督的多模态知识迁移）

[03:00] 🧠 MH-MoE:Multi-Head Mixture-of-Experts（多头混合专家模型）

[03:34] 🎥 DreamRunner: Fine-Grained Storytelling Video Generation with Retrieval-Augmented Motion Adaptation（DreamRunner：基于检索增强的运动适应细粒度故事视频生成）

[04:13] 🌐 One Diffusion to Generate Them All（一个扩散模型生成所有）

[04:54] 👁 VisualLens: Personalization through Visual History（视觉透镜：通过视觉历史实现个性化）

[05:34] 🔍 Factorized Visual Tokenization and Generation（因子分解视觉标记化与生成）

[06:15] 🔍 O1 Replication Journey -- Part 2: Surpassing O1-preview through Simple Distillation, Big Progress or Bitter Lesson?（O1复制之旅 -- 第二部分：通过简单蒸馏超越O1预览版，巨大进步还是苦涩教训？）

[07:00] 🩺 GMAI-VL & GMAI-VL-5.5M: A Large Vision-Language Model and A Comprehensive Multimodal Dataset Towards General Medical AI（通用医疗人工智能的大规模视觉语言模型与综合多模态数据集）

[07:39] 🌐 SplatFlow: Multi-View Rectified Flow Model for 3D Gaussian Splatting Synthesis（SplatFlow：用于3D高斯喷射合成的多视图校正流模型）

[08:25] 🔄 From CISC to RISC: language-model guided assembly transpilation（从CISC到RISC：语言模型引导的汇编转译）

[09:03] ⚙ Cautious Optimizers: Improving Training with One Line of Code（谨慎优化器：用一行代码改进训练）

[09:49] 🤖 The Impossible Test: A 2024 Unsolvable Dataset and A Chance for an AGI Quiz（不可能的测试：2024年不可解数据集与AGI测验的机会）

[10:30] 🔮 Predicting Emergent Capabilities by Finetuning（通过微调预测涌现能力）

[11:04] 📊 SegBook: A Simple Baseline and Cookbook for Volumetric Medical Image Segmentation（SegBook：体积医学图像分割的简单基线和操作手册）

[11:48] 🩺 Interactive Medical Image Segmentation: A Benchmark Dataset and Baseline（交互式医学图像分割：基准数据集与基线）

[12:25] 🤔 LLMs Do Not Think Step-by-step In Implicit Reasoning（大语言模型在隐式推理中不进行逐步思考）

[13:00] 🌐 Best of Both Worlds: Advantages of Hybrid Graph Sequence Models（双剑合璧：混合图序列模型的优势）

[13:34] 🔗 Edge Weight Prediction For Category-Agnostic Pose Estimation（类别无关姿态估计的边权重预测）

【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