本期的 15 篇论文如下：

[00:21] 🎬 Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation（Any2Caption：将任意条件解析为描述以实现可控视频生成）

[01:01] 🎬 Exploring the Effect of Reinforcement Learning on Video Understanding: Insights from SEED-Bench-R1（探索强化学习对视频理解的影响：来自SEED-Bench-R1的见解）

[01:48] ⚖ JudgeLRM: Large Reasoning Models as a Judge（JudgeLRM：将大型推理模型作为评判者）

[02:30] 🤖 CodeARC: Benchmarking Reasoning Capabilities of LLM Agents for Inductive Program Synthesis（CodeARC：用于归纳程序合成的LLM智能体推理能力基准测试）

[03:13] 💡 Open-Qwen2VL: Compute-Efficient Pre-Training of Fully-Open Multimodal LLMs on Academic Resources（Open-Qwen2VL：在学术资源上进行计算高效的完全开源多模态LLM预训练）

[04:02] 🎥 GeometryCrafter: Consistent Geometry Estimation for Open-world Videos with Diffusion Priors（GeometryCrafter：基于扩散先验的开放世界视频一致几何体估计）

[04:48] 💻 Z1: Efficient Test-time Scaling with Code（Z1：基于代码的高效测试时扩展）

[05:26] 🤖 Agent S2: A Compositional Generalist-Specialist Framework for Computer Use Agents（Agent S2：计算机使用代理的组合式通用-专家框架）

[06:08] 💃 MixerMDM: Learnable Composition of Human Motion Diffusion Models（MixerMDM：人类运动扩散模型的可学习组合）

[06:46] 🏢 Command A: An Enterprise-Ready Large Language Model（Command A：一款面向企业就绪的大型语言模型）

[07:31] 💡 Harnessing the Reasoning Economy: A Survey of Efficient Reasoning for Large Language Models（驾驭推理经济：大型语言模型高效推理的综述）

[08:09] 🎬 OmniMMI: A Comprehensive Multi-modal Interaction Benchmark in Streaming Video Contexts（OmniMMI：流视频场景下综合性多模态交互基准）

[08:53] 🤯 Recitation over Reasoning: How Cutting-Edge Language Models Can Fail on Elementary School-Level Reasoning Problems?（背诵胜于推理：顶尖语言模型如何在小学水平的推理问题上失败？）

[09:40] 🖼 Scaling Language-Free Visual Representation Learning（扩展无语言视觉表征学习）

[10:23] 🤔 When To Solve, When To Verify: Compute-Optimal Problem Solving and Generative Verification for LLM Reasoning（何时求解，何时验证：LLM推理的计算最优问题求解与生成式验证）

【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