2025.07.01 | 多模态生成领先；视频扩散效率提升

本期的 15 篇论文如下：

[00:21] 🖼 Ovis-U1 Technical Report（Ovis-U1 技术报告）

[00:58] 🎬 VMoBA: Mixture-of-Block Attention for Video Diffusion Models（VMoBA：用于视频扩散模型的混合块注意力机制）

[01:36] ✍ Calligrapher: Freestyle Text Image Customization（书法家：自由风格的文本图像定制）

[02:21] 🖼 Listener-Rewarded Thinking in VLMs for Image Preferences（图像偏好：视觉语言模型中基于监听者奖励的思考）

[03:04] 🧠 SPIRAL: Self-Play on Zero-Sum Games Incentivizes Reasoning via Multi-Agent Multi-Turn Reinforcement Learning（SPIRAL：基于零和博弈的自博弈通过多智能体多轮强化学习激励推理）

[03:46] 📸 Consistent Time-of-Flight Depth Denoising via Graph-Informed Geometric Attention（基于图结构几何注意力机制的稳定ToF深度图像去噪）

[04:29] 🧬 Evolving Prompts In-Context: An Open-ended, Self-replicating Perspective（上下文演化提示：一种开放式、自复制的视角）

[05:09] 🤔 Aha Moment Revisited: Are VLMs Truly Capable of Self Verification in Inference-time Scaling?（“顿悟时刻”再探：视觉语言模型能否在推理时扩展中实现真正的自我验证？）

[05:58] 💾 MEMFOF: High-Resolution Training for Memory-Efficient Multi-Frame Optical Flow Estimation（MEMFOF：面向内存高效多帧光流估计的高分辨率训练）

[06:38] 🚀 SparseLoRA: Accelerating LLM Fine-Tuning with Contextual Sparsity（SparseLoRA：通过上下文稀疏性加速LLM微调）

[07:23] 🏙 UrbanLLaVA: A Multi-modal Large Language Model for Urban Intelligence with Spatial Reasoning and Understanding（UrbanLLaVA：一个用于城市智能的、具备空间推理与理解能力的多模态大型语言模型）

[08:01] 🧠 MARBLE: A Hard Benchmark for Multimodal Spatial Reasoning and Planning（MARBLE：一个用于多模态空间推理与规划的硬基准）

[08:38] 🧰 Teaching a Language Model to Speak the Language of Tools（教语言模型说工具的语言）

[09:16] ✂ VOCABTRIM: Vocabulary Pruning for Efficient Speculative Decoding in LLMs（VOCABTRIM：用于LLM高效推测解码的词汇表剪枝）

[10:01] 🤖 RoboScape: Physics-informed Embodied World Model（RoboScape：物理信息驱动的具身世界模型）

【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