本期的 20 篇论文如下：
[00:26] ? The Differences Between Direct Alignment Algorithms are a Blur（直接对齐算法的差异逐渐模糊）
[01:07] ? OmniHuman-1: Rethinking the Scaling-Up of One-Stage Conditioned Human Animation Models（OmniHuman-1：重新思考单阶段条件式人体动画模型的放大）
[01:48] ? Process Reinforcement through Implicit Rewards（基于隐式奖励的过程强化）
[02:36] ⚖ Preference Leakage: A Contamination Problem in LLM-as-a-judge（偏好泄露：LLM即评判器中的污染问题）
[03:14] ? SafeRAG: Benchmarking Security in Retrieval-Augmented Generation of Large Language Model（SafeRAG：评估大语言模型检索增强生成中的安全性）
[04:02] ? FastKV: KV Cache Compression for Fast Long-Context Processing with Token-Selective Propagation（FastKV：通过令牌选择性传播实现快速长文本处理的KV缓存压缩）
[04:50] ? AIN: The Arabic INclusive Large Multimodal Model（AIN：阿拉伯语包容性大型多模态模型）
[05:39] ? DeepRAG: Thinking to Retrieval Step by Step for Large Language Models（DeepRAG：面向大型语言模型的逐步思考检索）
[06:30] ? MM-IQ: Benchmarking Human-Like Abstraction and Reasoning in Multimodal Models（MM-IQ：多模态模型中类人抽象与推理能力的基准测试）
[07:19] ? Almost Surely Safe Alignment of Large Language Models at Inference-Time（大语言模型在推理时近乎完全安全的对齐）
[08:04] ? ZebraLogic: On the Scaling Limits of LLMs for Logical Reasoning（ZebraLogic：关于大型语言模型在逻辑推理中的扩展极限）
[08:49] ? The Jumping Reasoning Curve? Tracking the Evolution of Reasoning Performance in GPT-[n] and o-[n] Models on Multimodal Puzzles（跳跃的推理曲线？追踪GPT-[n]和o-[n]模型在多模态谜题上的推理性能演变）
[09:38] ? Improving Transformer World Models for Data-Efficient RL（改进Transformer世界模型以实现数据高效的强化学习）
[10:22] ? Improved Training Technique for Latent Consistency Models（改进的潜在一致性模型训练技术）
[11:07] ? Scaling Embedding Layers in Language Models（语言模型中扩展嵌入层）
[11:42] ? SliderSpace: Decomposing the Visual Capabilities of Diffusion Models（SliderSpace：解构扩散模型的视觉能力）
[12:24] ? PhD Knowledge Not Required: A Reasoning Challenge for Large Language Models（无需博士知识：大型语言模型的推理挑战）
[13:08] ? Lifelong Sequential Knowledge Editing without Model Degradation（终身序列知识编辑，且不降低模型性能）
[13:46] ? Current Pathology Foundation Models are unrobust to Medical Center Differences（当前病理学基础模型对于医疗中心差异不具有鲁棒性）
[14:37] ? A Study on the Performance of U-Net Modifications in Retroperitoneal Tumor Segmentation（U-Net改进模型在腹膜后肿瘤分割中的性能研究）
【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
