Sign up to save your podcasts
Or
Share 2025.06.04 | 强化学习提升LLM性能；UniWorld统一视觉理解与生成。
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
2025.06.04 | 强化学习提升LLM性能；UniWorld统一视觉理解与生成。
本期的 15 篇论文如下：
[00:23] 💡 Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning（反思、重试、奖励：通过强化学习实现LLM的自我提升）
[01:09] 🖼 UniWorld: High-Resolution Semantic Encoders for Unified Visual Understanding and Generation（UniWorld：用于统一视觉理解与生成的高分辨率语义编码器）
[01:53] 🧪 CSVQA: A Chinese Multimodal Benchmark for Evaluating STEM Reasoning Capabilities of VLMs（CSVQA：一个用于评估视觉语言模型STEM推理能力的中文多模态基准）
[02:37] 🤖 VS-Bench: Evaluating VLMs for Strategic Reasoning and Decision-Making in Multi-Agent Environments（VS-Bench：评估视觉语言模型在多智能体环境中进行战略推理和决策的能力）
[03:15] 🧠 SynthRL: Scaling Visual Reasoning with Verifiable Data Synthesis（SynthRL：利用可验证数据合成扩展视觉推理）
[04:01] 🧠 OmniSpatial: Towards Comprehensive Spatial Reasoning Benchmark for Vision Language Models（OmniSpatial：面向视觉语言模型的综合空间推理基准）
[04:47] 🤖 Visual Embodied Brain: Let Multimodal Large Language Models See, Think, and Control in Spaces（视觉具身大脑：让多模态大型语言模型在空间中观察、思考和控制）
[05:24] 👀 MotionSight: Boosting Fine-Grained Motion Understanding in Multimodal LLMs（MotionSight：提升多模态大型语言模型中的细粒度运动理解能力）
[06:10] 🤖 GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents（GUI-Actor：面向GUI代理的无坐标视觉定位）
[06:48] 🎬 Sparse-vDiT: Unleashing the Power of Sparse Attention to Accelerate Video Diffusion Transformers（Sparse-vDiT：释放稀疏注意力以加速视频扩散Transformer）
[07:27] 🧩 DINGO: Constrained Inference for Diffusion LLMs（DINGO：扩散LLM的约束推理）
[08:10] 🎬 AnimeShooter: A Multi-Shot Animation Dataset for Reference-Guided Video Generation（AnimeShooter：一个用于参考引导视频生成的多镜头动画数据集）
[08:47] 🤖 Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics（Robot-R1：用于增强机器人具身推理的强化学习）
[09:35] 🤖 Co-Evolving LLM Coder and Unit Tester via Reinforcement Learning（基于强化学习的LLM代码生成器与单元测试器协同进化）
[10:21] 🖼 Native-Resolution Image Synthesis（原生分辨率图像合成）
【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 15 篇论文如下：
[00:23] 💡 Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning（反思、重试、奖励：通过强化学习实现LLM的自我提升）
[01:09] 🖼 UniWorld: High-Resolution Semantic Encoders for Unified Visual Understanding and Generation（UniWorld：用于统一视觉理解与生成的高分辨率语义编码器）
[01:53] 🧪 CSVQA: A Chinese Multimodal Benchmark for Evaluating STEM Reasoning Capabilities of VLMs（CSVQA：一个用于评估视觉语言模型STEM推理能力的中文多模态基准）
[02:37] 🤖 VS-Bench: Evaluating VLMs for Strategic Reasoning and Decision-Making in Multi-Agent Environments（VS-Bench：评估视觉语言模型在多智能体环境中进行战略推理和决策的能力）
[03:15] 🧠 SynthRL: Scaling Visual Reasoning with Verifiable Data Synthesis（SynthRL：利用可验证数据合成扩展视觉推理）
[04:01] 🧠 OmniSpatial: Towards Comprehensive Spatial Reasoning Benchmark for Vision Language Models（OmniSpatial：面向视觉语言模型的综合空间推理基准）
[04:47] 🤖 Visual Embodied Brain: Let Multimodal Large Language Models See, Think, and Control in Spaces（视觉具身大脑：让多模态大型语言模型在空间中观察、思考和控制）
[05:24] 👀 MotionSight: Boosting Fine-Grained Motion Understanding in Multimodal LLMs（MotionSight：提升多模态大型语言模型中的细粒度运动理解能力）
[06:10] 🤖 GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents（GUI-Actor：面向GUI代理的无坐标视觉定位）
[06:48] 🎬 Sparse-vDiT: Unleashing the Power of Sparse Attention to Accelerate Video Diffusion Transformers（Sparse-vDiT：释放稀疏注意力以加速视频扩散Transformer）
[07:27] 🧩 DINGO: Constrained Inference for Diffusion LLMs（DINGO：扩散LLM的约束推理）
[08:10] 🎬 AnimeShooter: A Multi-Shot Animation Dataset for Reference-Guided Video Generation（AnimeShooter：一个用于参考引导视频生成的多镜头动画数据集）
[08:47] 🤖 Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics（Robot-R1：用于增强机器人具身推理的强化学习）
[09:35] 🤖 Co-Evolving LLM Coder and Unit Tester via Reinforcement Learning（基于强化学习的LLM代码生成器与单元测试器协同进化）
[10:21] 🖼 Native-Resolution Image Synthesis（原生分辨率图像合成）
【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