Sign up to save your podcasts
Or
Share 2025.05.15 | 解耦学习提升感知性能；多模态模型优化图像生成。
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
2025.05.15 | 解耦学习提升感知性能；多模态模型优化图像生成。
本期的 11 篇论文如下：
[00:23] 🖼 DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception（DeCLIP：用于开放词汇密集感知的解耦学习）
[01:02] 🖼 BLIP3-o: A Family of Fully Open Unified Multimodal Models-Architecture, Training and Dataset（BLIP3-o：一族完全开放的统一多模态模型——架构、训练和数据集）
[01:41] 💡 Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures（DeepSeek-V3 的深度剖析：AI 架构的扩展挑战与硬件思考）
[02:24] 🎨 Marigold: Affordable Adaptation of Diffusion-Based Image Generators for Image Analysis（Marigold：用于图像分析的基于扩散的图像生成器的经济型适配）
[03:00] 🤖 UniSkill: Imitating Human Videos via Cross-Embodiment Skill Representations（UniSkill：通过跨具身技能表征模仿人类视频）
[03:42] 🐛 SweRank: Software Issue Localization with Code Ranking（SweRank：基于代码排序的软件问题定位）
[04:23] 🤔 VCRBench: Exploring Long-form Causal Reasoning Capabilities of Large Video Language Models（VCRBench：探索大型视频语言模型在长程因果推理方面的能力）
[05:14] 🖼 CAST: Component-Aligned 3D Scene Reconstruction from an RGB Image（CAST：基于RGB图像的组件对齐三维场景重建）
[05:49] 🤔 Omni-R1: Do You Really Need Audio to Fine-Tune Your Audio LLM?（Omni-R1: 微调音频大语言模型真的需要音频数据吗？）
[06:27] 🤔 Visually Interpretable Subtask Reasoning for Visual Question Answering（视觉问答中基于视觉可解释性的子任务推理）
[06:59] 🚁 DetReIDX: A Stress-Test Dataset for Real-World UAV-Based Person Recognition（DetReIDX：一个用于现实世界无人机人员识别的压力测试数据集）
【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：
[00:23] 🖼 DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception（DeCLIP：用于开放词汇密集感知的解耦学习）
[01:02] 🖼 BLIP3-o: A Family of Fully Open Unified Multimodal Models-Architecture, Training and Dataset（BLIP3-o：一族完全开放的统一多模态模型——架构、训练和数据集）
[01:41] 💡 Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures（DeepSeek-V3 的深度剖析：AI 架构的扩展挑战与硬件思考）
[02:24] 🎨 Marigold: Affordable Adaptation of Diffusion-Based Image Generators for Image Analysis（Marigold：用于图像分析的基于扩散的图像生成器的经济型适配）
[03:00] 🤖 UniSkill: Imitating Human Videos via Cross-Embodiment Skill Representations（UniSkill：通过跨具身技能表征模仿人类视频）
[03:42] 🐛 SweRank: Software Issue Localization with Code Ranking（SweRank：基于代码排序的软件问题定位）
[04:23] 🤔 VCRBench: Exploring Long-form Causal Reasoning Capabilities of Large Video Language Models（VCRBench：探索大型视频语言模型在长程因果推理方面的能力）
[05:14] 🖼 CAST: Component-Aligned 3D Scene Reconstruction from an RGB Image（CAST：基于RGB图像的组件对齐三维场景重建）
[05:49] 🤔 Omni-R1: Do You Really Need Audio to Fine-Tune Your Audio LLM?（Omni-R1: 微调音频大语言模型真的需要音频数据吗？）
[06:27] 🤔 Visually Interpretable Subtask Reasoning for Visual Question Answering（视觉问答中基于视觉可解释性的子任务推理）
[06:59] 🚁 DetReIDX: A Stress-Test Dataset for Real-World UAV-Based Person Recognition（DetReIDX：一个用于现实世界无人机人员识别的压力测试数据集）
【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