Sign up to save your podcasts
Or
Share 2025.04.28 | 视频相机运动理解提升；多模态推理模型优化
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
2025.04.28 | 视频相机运动理解提升；多模态推理模型优化
本期的 11 篇论文如下：
[00:22] 🎥 Towards Understanding Camera Motions in Any Video（迈向理解任意视频中的相机运动）
[01:04] 🧠 Skywork R1V2: Multimodal Hybrid Reinforcement Learning for Reasoning（Skywork R1V2：用于推理的多模态混合强化学习）
[01:49] 💡 BitNet v2: Native 4-bit Activations with Hadamard Transformation for 1-bit LLMs（BitNet v2：用于1-bit LLM的具有哈达玛变换的原生4-bit激活）
[02:28] 🌍 VideoVista-CulturalLingo: 360$^\circ$ Horizons-Bridging Cultures, Languages, and Domains in Video Comprehension（VideoVista-CulturalLingo：360°视野——弥合视频理解中的文化、语言和领域差异）
[03:13] 🗣 Can Large Language Models Help Multimodal Language Analysis? MMLA: A Comprehensive Benchmark（大型语言模型能否助力多模态语言分析？MMLA：一个综合性的基准）
[03:48] 🤔 The Sparse Frontier: Sparse Attention Trade-offs in Transformer LLMs（稀疏前沿：Transformer LLM 中的稀疏注意力权衡）
[04:23] 🎬 Subject-driven Video Generation via Disentangled Identity and Motion（基于解耦身份与运动的主体驱动视频生成）
[05:00] 🧠 DianJin-R1: Evaluating and Enhancing Financial Reasoning in Large Language Models（DianJin-R1：评估并提升大型语言模型中的金融推理能力）
[05:34] 🔲 DC-SAM: In-Context Segment Anything in Images and Videos via Dual Consistency（DC-SAM：通过双重一致性实现图像和视频中的上下文分割）
[06:12] 🔊 Kimi-Audio Technical Report（Kimi-Audio技术报告）
[06:43] 🇮 Optimizing LLMs for Italian: Reducing Token Fertility and Enhancing Efficiency Through Vocabulary Adaptation（优化意大利语大型语言模型：通过词汇调整减少Token冗余并提高效率）
【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
View all episodes
By duan本期的 11 篇论文如下：
[00:22] 🎥 Towards Understanding Camera Motions in Any Video（迈向理解任意视频中的相机运动）
[01:04] 🧠 Skywork R1V2: Multimodal Hybrid Reinforcement Learning for Reasoning（Skywork R1V2：用于推理的多模态混合强化学习）
[01:49] 💡 BitNet v2: Native 4-bit Activations with Hadamard Transformation for 1-bit LLMs（BitNet v2：用于1-bit LLM的具有哈达玛变换的原生4-bit激活）
[02:28] 🌍 VideoVista-CulturalLingo: 360$^\circ$ Horizons-Bridging Cultures, Languages, and Domains in Video Comprehension（VideoVista-CulturalLingo：360°视野——弥合视频理解中的文化、语言和领域差异）
[03:13] 🗣 Can Large Language Models Help Multimodal Language Analysis? MMLA: A Comprehensive Benchmark（大型语言模型能否助力多模态语言分析？MMLA：一个综合性的基准）
[03:48] 🤔 The Sparse Frontier: Sparse Attention Trade-offs in Transformer LLMs（稀疏前沿：Transformer LLM 中的稀疏注意力权衡）
[04:23] 🎬 Subject-driven Video Generation via Disentangled Identity and Motion（基于解耦身份与运动的主体驱动视频生成）
[05:00] 🧠 DianJin-R1: Evaluating and Enhancing Financial Reasoning in Large Language Models（DianJin-R1：评估并提升大型语言模型中的金融推理能力）
[05:34] 🔲 DC-SAM: In-Context Segment Anything in Images and Videos via Dual Consistency（DC-SAM：通过双重一致性实现图像和视频中的上下文分割）
[06:12] 🔊 Kimi-Audio Technical Report（Kimi-Audio技术报告）
[06:43] 🇮 Optimizing LLMs for Italian: Reducing Token Fertility and Enhancing Efficiency Through Vocabulary Adaptation（优化意大利语大型语言模型：通过词汇调整减少Token冗余并提高效率）
【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