2025-03-14 19:37 浙江
本文推荐多篇热门AI论文，涉及视频扩散、语言模型、多视角视频生成和强化学习等领域，展示最新创新成果。
作者：InternLM、Qwen 等 LLM
每日一览热门论文版，顶会投稿选题不迷惘。来看看由「机智流」和「ModelScope」社区推荐的今日热门论文吧～
TPDiff: Temporal Pyramid Video Diffusion Model
论文链接：
https://modelscope.cn/papers/125911
简要介绍：
由新加坡国立大学Show Lab的Lingmin Ran和Mike Zheng Shou提出，TPDiff是一个创新的视频扩散模型框架，针对视频生成的高计算需求问题，通过分阶段逐步提高帧率优化了训练和推理效率。核心贡献包括提出“时间金字塔”方法和阶段式扩散训练策略，实验表明训练成本降低50%，推理效率提升1.5倍。
核心图片：
Block Diffusion: Interpolating Between Autoregressive and Diffusion Language Models
论文链接：
https://modelscope.cn/papers/126168
简要介绍：
由Marianne Arriola等人提出，Block Diffusion结合自回归和扩散模型的优势，推出了一种支持灵活长度生成的高效语言模型。通过块状扩散设计和优化的训练算法，该模型在语言建模基准上刷新了扩散模型的性能纪录，支持任意长度序列生成。
核心图片：
Reangle-A-Video: 4D Video Generation as Video-to-Video Translation
论文链接：
https://modelscope.cn/papers/126077
简要介绍：
KAIST AI的Hyeonho Jeong等人提出了Reangle-A-Video，将多视角视频生成任务重构为视频到视频的翻译问题。无需大规模4D数据集，该方法利用现有图像和视频扩散模型，通过多视角运动学习和一致性引导生成同步多视角视频，超越了现有方法。
核心图片：
GTR: Guided Thought Reinforcement Prevents Thought Collapse in RL-based VLM Agent Training
论文链接：
https://modelscope.cn/papers/125459
简要介绍：
清华大学Tong Wei等人提出了GTR框架，解决强化学习训练视觉-语言模型（VLM）代理时出现的“思维崩溃”问题。通过自动纠正器指导推理过程，该方法显著提升了LLaVA-7b在复杂视觉任务中的表现，成功率提升3-5倍。
核心图片：
RewardSDS: Aligning Score Distillation via Reward-Weighted Sampling
论文链接：
https://modelscope.cn/papers/125961
简要介绍：
耶路撒冷希伯来大学的Itay Chachy等人提出了RewardSDS，通过奖励加权采样增强得分蒸馏采样（SDS）的对齐能力。该方法在文本到图像、2D编辑和3D生成任务中表现出色，提升了生成质量和用户意图对齐度。
核心图片：
More Documents, Same Length: Isolating the Challenge of Multiple Documents in RAG
论文链接：
https://modelscope.cn/papers/123851
简要介绍：
耶路撒冷希伯来大学的Shahar Levy等人研究了检索增强生成（RAG）中多文档处理的独立挑战。实验表明，在固定上下文长度下，文档数量增加会导致LLM性能下降高达10%，揭示了多文档处理的新难题。
核心图片：
Motion Anything: Any to Motion Generation
论文链接：
https://modelscope.cn/papers/125267
简要介绍：
由ANU的Zeyu Zhang等人提出的Motion Anything是一个多模态运动生成框架，通过注意力掩码建模实现对关键帧和动作的精细控制。还推出了包含2153组文本-音乐-舞蹈数据的TMD数据集，FID提升15%。
核心图片：
Quantizing Large Language Models for Code Generation: A Differentiated Replication
论文链接：
https://modelscope.cn/papers/125103
简要介绍：
Alessandro Giagnorio等人对代码生成LLM的量化进行了扩展研究，测试了高达34B参数的模型和2位极致量化技术。结果显示4位量化可减少70%内存占用而不损性能，代码特定数据集在极低位量化时表现更优。
WildIFEval: Instruction Following in the Wild
论文链接：
https://modelscope.cn/papers/125130
简要介绍：
耶路撒冷希伯来大学的Gili Lior等人推出了WildIFEval，一个包含12K真实用户多约束指令的大规模数据集。实验显示，随着约束数量增加，所有LLM性能均下降，揭示了复杂指令跟随的改进空间。
核心图片：
VLog: Video-Language Models by Generative Retrieval of Narration Vocabulary
论文链接：
https://modelscope.cn/papers/126245
简要介绍：
新加坡国立大学Show Lab的Kevin Qinghong Lin等人提出了VLog，通过生成式检索和叙述词汇表革新视频理解。基于GPT-2，该模型实现高效、上下文准确的视频叙述，处理长视频速度提升10倍。
核心图片：
今天的盘点从视频扩散到指令跟随，展示了AI领域的多样创新。哪篇论文让你眼前一亮？欢迎留言讨论！别忘了关注我们，明天继续带来更多AI前沿资讯！?
-- 完 --
欢迎在「机智流」公众号后台回复「cc」，加入机智流大模型交流群；回复「HF」即可加入我们不定期举办的HuggingFace Daily Paper高赞论文分享活动群，也会分享大厂AI论文快讯。与我们一起探索 AI 与人类潜能的未来，一起共赴 AI 浪潮！
