本期AI速递精选了11篇最新的AI论文，涵盖了视频理解、多模态学习、语言模型优化等多个热门领域。研究方向包括相机运动理解、多模态混合强化学习、低比特量化、跨文化视频理解、多模态语言分析、稀疏注意力机制、主体驱动视频生成、金融推理能力评估、图像视频分割以及特定语言（如意大利语）的LLM优化。为AI研究者和爱好者提供了快速了解前沿动态的窗口。

🎥 **视频理解与生成**：研究涉及相机运动理解、360°视频理解，以及基于解耦身份与运动的主体驱动视频生成，旨在提升视频内容的分析和创作能力。

🧠 **多模态与语言模型**：关注多模态混合强化学习、多模态语言分析，以及大型语言模型在金融推理等领域的应用，探索多模态信息融合与语言模型能力的边界。

💡 **模型优化与效率提升**：研究包括低比特量化BitNet v2、Transformer LLM 中的稀疏注意力权衡、以及针对特定语言（如意大利语）的LLM优化，旨在提高模型效率并降低计算成本。

🔲 **图像与视频分割**：DC-SAM通过双重一致性实现图像和视频中的上下文分割，为图像和视频处理提供了新的分割方法。

本期的 11 篇论文如下：

[00:22] 🎥 Towards Understanding Camera Motions in Any Video（迈向理解任意视频中的相机运动）

[01:04] 🧠 Skywork R1V2: Multimodal Hybrid Reinforcement Learning for Reasoning（Skywork R1V2：用于推理的多模态混合强化学习）

[01:49] 💡 BitNet v2: Native 4-bit Activations with Hadamard Transformation for 1-bit LLMs（BitNet v2：用于1-bit LLM的具有哈达玛变换的原生4-bit激活）

[02:28] 🌍 VideoVista-CulturalLingo: 360$^\circ$ Horizons-Bridging Cultures, Languages, and Domains in Video Comprehension（VideoVista-CulturalLingo：360°视野——弥合视频理解中的文化、语言和领域差异）

[03:13] 🗣 Can Large Language Models Help Multimodal Language Analysis? MMLA: A Comprehensive Benchmark（大型语言模型能否助力多模态语言分析？MMLA：一个综合性的基准）

[03:48] 🤔 The Sparse Frontier: Sparse Attention Trade-offs in Transformer LLMs（稀疏前沿：Transformer LLM 中的稀疏注意力权衡）

[04:23] 🎬 Subject-driven Video Generation via Disentangled Identity and Motion（基于解耦身份与运动的主体驱动视频生成）

[05:00] 🧠 DianJin-R1: Evaluating and Enhancing Financial Reasoning in Large Language Models（DianJin-R1：评估并提升大型语言模型中的金融推理能力）

[05:34] 🔲 DC-SAM: In-Context Segment Anything in Images and Videos via Dual Consistency（DC-SAM：通过双重一致性实现图像和视频中的上下文分割）

[06:12] 🔊 Kimi-Audio Technical Report（Kimi-Audio技术报告）

[06:43] 🇮 Optimizing LLMs for Italian: Reducing Token Fertility and Enhancing Efficiency Through Vocabulary Adaptation（优化意大利语大型语言模型：通过词汇调整减少Token冗余并提高效率）

【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