本期汇总了十篇前沿AI论文，涵盖视觉任务理解、多模态大模型、LLM推理、图像编辑、文本到音频生成、4D内容生成、LLM语言适应、代码生成评估以及软件工程代理等多个领域。这些研究探索了AI技术的最新进展和应用，为相关领域的未来发展提供了新的思路和方向，展现了人工智能在不同领域的强大潜力。

🔍 Explanatory Instructions: 提出了一种统一视觉任务理解的方法，并实现了零样本泛化能力。

🧠 On the Compositional Generalization of Multimodal LLMs for Medical Imaging：研究了多模态大语言模型在医学影像领域的组合泛化能力，为医学影像分析提供了新的技术手段。

🎵 TangoFlux: 通过流匹配和CLAP排序偏好优化，实现了超快速且高度逼真的文本到音频生成。

🎥 Bringing Objects to Life: 探索了从3D物体生成4D内容的方法，为动画和虚拟现实等领域带来了新的可能性。

🤖 HumanEval Pro and MBPP Pro：提出了新的评估基准，用于评估大语言模型在自调用代码生成上的表现，为代码生成模型的改进提供了参考。

本期的 10 篇论文如下：

[00:25] ? Explanatory Instructions: Towards Unified Vision Tasks Understanding and Zero-shot Generalization（解释性指令：迈向统一视觉任务理解与零样本泛化）

[01:13] ? On the Compositional Generalization of Multimodal LLMs for Medical Imaging（多模态大语言模型在医学影像中的组合泛化研究）

[02:02] ⚙ Efficiently Serving LLM Reasoning Programs with Certaindex（高效服务LLM推理程序的Certaindex系统）

[02:44] ? Edicho: Consistent Image Editing in the Wild（Edicho：在野外图像中的一致性编辑）

[03:22] ? TangoFlux: Super Fast and Faithful Text to Audio Generation with Flow Matching and Clap-Ranked Preference Optimization（TangoFlux：基于流匹配和CLAP排序偏好优化的超快速且忠实文本到音频生成）

[04:04] ? Bringing Objects to Life: 4D generation from 3D objects（赋予物体生命：从3D物体生成4D内容）

[04:47] ? Facilitating large language model Russian adaptation with Learned Embedding Propagation（通过学习嵌入传播促进大语言模型的俄语适应）

[05:25] ? HumanEval Pro and MBPP Pro: Evaluating Large Language Models on Self-invoking Code Generation（HumanEval Pro与MBPP Pro：评估大语言模型在自调用代码生成上的表现）

[06:12] ? Training Software Engineering Agents and Verifiers with SWE-Gym（使用SWE-Gym训练软件工程代理与验证器）

[06:52] ? OneKE: A Dockerized Schema-Guided LLM Agent-based Knowledge Extraction System（OneKE：基于Docker化模式引导的LLM代理知识提取系统）

【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