本期AI论文涵盖多个前沿领域，包括图像生成、语言模型、3D场景理解等。文章介绍了DDT、GenDoP等图像生成技术，OLMoTrace等语言模型研究，以及WildGS-SLAM等SLAM技术。此外，还探讨了推理模型的批判性思维能力、自导向语言模型、俄语新闻文本观点提取等。这些研究展示了AI技术的最新进展，为相关领域的研究和应用提供了新的思路。

🎨 **图像生成新进展：** DDT（解耦扩散Transformer）和GenDoP（自回归相机轨迹生成）等技术，分别在图像生成和视频制作方面取得了新的突破，为内容创作提供了更多可能性。

🔍 **语言模型研究：** OLMoTrace能够将语言模型的输出追溯到训练文本，有助于理解模型的行为。此外，还探讨了推理模型的批判性思维能力，以及自导向语言模型等。

🤔 **推理能力与批判性思维：** 研究指出，推理模型可能在丧失批判性思维能力。这引发了对模型设计和训练方式的思考，以确保模型能够进行更可靠的推理。

🤖 **3D场景理解与SLAM技术：** Masked Scene Modeling和WildGS-SLAM等技术，分别在3D场景理解和动态环境下的SLAM方面取得了进展，提高了机器人在复杂环境中的感知能力。

🗣️ **多模态应用：** FantasyTalking通过运动合成生成逼真会说话的人像，DiTaiListener生成可控高保真听者视频，VideoChat-R1通过强化微调增强时空感知能力，展示了AI在多模态应用中的潜力。

本期的 15 篇论文如下：

[00:25] 🎨 DDT: Decoupled Diffusion Transformer（解耦扩散Transformer）

[01:05] 🎬 GenDoP: Auto-regressive Camera Trajectory Generation as a Director of Photography（GenDoP：基于自回归的相机轨迹生成，如同电影摄影师一般）

[01:49] 🔍 OLMoTrace: Tracing Language Model Outputs Back to Trillions of Training Tokens（OLMoTrace：将语言模型的输出追溯到数万亿的训练文本）

[02:28] 🖼 A Unified Agentic Framework for Evaluating Conditional Image Generation（用于评估条件图像生成的统一代理框架）

[03:11] 🤔 Missing Premise exacerbates Overthinking: Are Reasoning Models losing Critical Thinking Skill?（缺失前提加剧过度思考：推理模型是否正在丧失批判性思维能力？）

[03:57] 🗣 FantasyTalking: Realistic Talking Portrait Generation via Coherent Motion Synthesis（FantasyTalking：通过连贯运动合成生成逼真会说话的人像）

[04:34] 🧐 A Sober Look at Progress in Language Model Reasoning: Pitfalls and Paths to Reproducibility（冷静看待语言模型推理的进展：陷阱与可复现性之路）

[05:15] 🖼 OmniCaptioner: One Captioner to Rule Them All（万能字幕器：一统天下的字幕生成器）

[05:57] 🧩 Are We Done with Object-Centric Learning?（以对象为中心的学习是否已经结束？）

[06:35] 🤖 Self-Steering Language Models（自导向语言模型）

[07:09] 🇷 RuOpinionNE-2024: Extraction of Opinion Tuples from Russian News Texts（RuOpinionNE-2024：从俄语新闻文本中提取观点元组）

[07:51] 🤖 Masked Scene Modeling: Narrowing the Gap Between Supervised and Self-Supervised Learning in 3D Scene Understanding（掩码场景建模：缩小3D场景理解中监督学习和自监督学习之间的差距）

[08:30] 👂 DiTaiListener: Controllable High Fidelity Listener Video Generation with Diffusion（DiTaiListener：基于扩散模型的可控高保真听者视频生成）

[09:05] 🤖 VideoChat-R1: Enhancing Spatio-Temporal Perception via Reinforcement Fine-Tuning（VideoChat-R1：通过强化微调增强时空感知能力）

[09:47] 🤖 WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments（WildGS-SLAM：动态环境下的单目高斯溅射SLAM）

【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