2025.08.14 | 分子推理框架提升性能；视频身份控制轻量高效

本期的 15 篇论文如下：

[00:17] 🧪 Mol-R1: Towards Explicit Long-CoT Reasoning in Molecule Discovery（Mol-R1：迈向分子发现中的显式长链思维推理）

[00:38] ✨ Stand-In: A Lightweight and Plug-and-Play Identity Control for Video Generation（Stand-In：视频生成中轻量级即插即用的身份控制）

[01:06] 🎥 Story2Board: A Training-Free Approach for Expressive Storyboard Generation（Story2Board：一种富有表现力的故事板生成免训练方法）

[01:32] 🛡 AWorld: Dynamic Multi-Agent System with Stable Maneuvering for Robust GAIA Problem Solving（AWorld：具有稳定操控能力的动态多智能体系统，用于鲁棒的GAIA问题解决）

[01:59] ⚡ Diffusion LLMs Can Do Faster-Than-AR Inference via Discrete Diffusion Forcing（扩散大语言模型通过离散扩散强制实现超越自回归的推理速度）

[02:21] 🪄 Echo-4o: Harnessing the Power of GPT-4o Synthetic Images for Improved Image Generation（Echo-4o：利用GPT-4o合成图像的力量改进图像生成）

[02:51] 🧠 Seeing, Listening, Remembering, and Reasoning: A Multimodal Agent with Long-Term Memory（感知、聆听、记忆与推理：一种具备长期记忆的多模态智能体）

[03:21] 🤝 Learning to Align, Aligning to Learn: A Unified Approach for Self-Optimized Alignment（学习对齐，对齐以学习：一种自优化对齐的统一方法）

[03:48] 🚧 MathReal: We Keep It Real! A Real Scene Benchmark for Evaluating Math Reasoning in Multimodal Large Language Models（MathReal：我们来真的！一个用于评估多模态大语言模型数学推理能力的真实场景基准）

[04:12] 💡 Cooper: Co-Optimizing Policy and Reward Models in Reinforcement Learning for Large Language Models（Cooper：大型语言模型强化学习中策略与奖励模型的协同优化）

[04:32] 👻 IAG: Input-aware Backdoor Attack on VLMs for Visual Grounding（IAG：针对视觉定位中VLMs的输入感知后门攻击）

[04:59] 💡 Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models（噪声超网络：均摊扩散模型中的测试时计算量）

[05:21] 💻 VisCodex: Unified Multimodal Code Generation via Merging Vision and Coding Models（VisCodex：通过融合视觉和编码模型实现统一多模态代码生成）

[05:47] ✨ GSFixer: Improving 3D Gaussian Splatting with Reference-Guided Video Diffusion Priors（GSFixer：利用参考引导的视频扩散先验改进3D高斯泼溅）

[06:13] ✨ CannyEdit: Selective Canny Control and Dual-Prompt Guidance for Training-Free Image Editing（CannyEdit：选择性Canny控制与双提示引导的免训练图像编辑）

【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