HyperAI

Hauptbereich

GPU

Konsole
Dokumente
Preise

Pulse

Neuigkeiten

Ressourcen

Fachartikel
Notebooks
Datensätze
Wiki

Benchmarks

SOTA
LLM-Modelle
GPU-Bestenliste

Community

Veranstaltungen

Tools

Über uns Nutzungsbedingungen Datenschutzerklärung
Deutsch

Command Palette

Search for a command to run...

HyperAI
Papers

Papers

Täglich aktualisierte hochmoderne KI-Forschungsarbeiten, um Sie über die neuesten KI-Trends auf dem Laufenden zu halten

Gestalten Sie die Zukunft der Künstlichen Intelligenz

Über uns

Über uns Hilfe zu Datensätzen

Produkte

Neuigkeiten Fachartikel Notebooks Datensätze Wiki

Links

© HyperAI

GitHub Discord X (formerly Twitter)

HyperAI

Hauptbereich

GPU

Konsole
Dokumente
Preise

Pulse

Neuigkeiten

Ressourcen

Fachartikel
Notebooks
Datensätze
Wiki

Benchmarks

SOTA
LLM-Modelle
GPU-Bestenliste

Community

Veranstaltungen

Tools

Über uns Nutzungsbedingungen Datenschutzerklärung
Deutsch

Command Palette

Search for a command to run...

HyperAI
Papers

Papers

Täglich aktualisierte hochmoderne KI-Forschungsarbeiten, um Sie über die neuesten KI-Trends auf dem Laufenden zu halten

Gestalten Sie die Zukunft der Künstlichen Intelligenz

Über uns

Über uns Hilfe zu Datensätzen

Produkte

Neuigkeiten Fachartikel Notebooks Datensätze Wiki

Links

© HyperAI

GitHub Discord X (formerly Twitter)

Multimodales OCR: Parse Anything aus Dokumenten

Multimodales OCR: Parse Anything aus Dokumenten

Dokumentenverstehen

Handong Zheng, Yumeng Li, Kaile Zhang, et al.

Granite-speech: Open-Source Speech-aware LLMs mit starken englischen ASR-Fähigkeiten

Granite-speech: Open-Source Speech-aware LLMs mit starken englischen ASR-Fähigkeiten

Audio- Und Sprachverarbeitung

George Saon, Avihu Dekel, Alexander Brooks, et al.

Fish-Speech: Nutzung von Large Language Models für fortschrittliche multilinguale Text-to-Speech-Synthese

Shijia Liao, Yuxuan Wang, Tianyu Li, et al.

Löschung von Videoobjekten und Interaktionen

Saman Motamed, William Harvey, Benjamin Klein, et al.

VoxCPM: Tokenizer-freies TTS zur kontextbewussten Spracherzeugung und lebensnahen Voice Cloning

Diffusionsmodell

OmniVoice: Auf dem Weg zu omnilingualem Zero-Shot Text-to-Speech mittels Diffusion Language Models

Diffusionsmodell

Han Zhu, Lingxuan Ye, Wei Kang, et al.

Wo Vision zu Text wird: Lokalisierung des OCR-Routing-Bottlenecks in Vision-Language Models

Jonathan Steinberg, Oren Gal

OCR oder nicht? Überdenken der Informationsextraktion aus Dokumenten im Zeitalter von MLLMs unter Verwendung von groß angelegten Datensätzen aus der realen Welt

Dokumentenverstehen

Jiyuan Shen, Peiyue Yuan, Atin Ghosh, et al.

dnaHNet: Ein skalierbares und hierarchisches Foundation Model für das Lernen genomischer Sequenzen

Arnav Shah, Junzhe Li, Parsa Idehpour, et al.

Neuronale Computer

Mingchen Zhuge, Changsheng Zhao, Haozhe Liu, et al.

ASGuard: Activation-Scaling Guard zur Abmilderung gezielter Jailbreaking Attacks

Überwachtes Feinabstimmen

Yein Park, Jungwoo Park, Jaewoo Kang

GlobalSplat: Effizientes Feed-Forward 3D Gaussian Splatting durch globale Scene Tokens

3D-Maschinenvision

Roni Itkin, Noam Issachar, Yehonatan Keypur, et al.

Wie lässt sich ein Reasoning Model fine-tunen? Ein Teacher-Student-Kooperationsframework zur Synthese von Student-consistent SFT-Daten

Überwachtes Feinabstimmen

Codegenerierung

Zixian Huang, Kaichen Yang, Xu Huang, et al.

RAD-2: Skalierung von Reinforcement Learning in einem Generator-Discriminator-Framework

Diffusionsmodell

Hao Gao, Shaoyu Chen, Yifan Zhu, et al.

DR$^{3}$-Eval: Auf dem Weg zu einer realistischen und reproduzierbaren Deep Research Evaluation

Retrieval-Augmented Generation

Qianqian Xie, Qingheng Xiong, He Zhu, et al.

HY-World 2.0: Ein Multi-Modal World Model zur Rekonstruktion, Generierung und Simulation von 3D-Welten

Team HY-World, Chenjie Cao, Xuhui Zuo, et al.

pi0.7: Ein steuerbares generelles robotisches Foundation Model mit emergenten Fähigkeiten

Multimodale Darstellung

Bo Ai, Ali Amin, Raichelle Aniceto, et al.

GTR: Guided Thought Reinforcement verhindert den Thought Collapse beim Training von RL-basierten VLM Agenten

Verstärkendes Lernen

Tong Wei, Yijun Yang, Junliang Xing, et al.

Agent-Fähigkeiten für Large Language Models: Architektur, Akquisition, Sicherheit und zukünftige Entwicklungen

Ranjun Xu, Yang Yan

Raumtheorie: Können Foundation Models durch aktive Exploration räumliche Überzeugungen konstruieren?

Körperliche Intelligenz

Pingyue Zhang, Zihan Huang, Yue Wang, et al.

Gedächtnis-Transfer Learning: Wie Erinnerungen über Domänen hinweg in Coding Agents übertragen werden

Codegenerierung

Kangsan Kim, Minki Kang, Taeil Kim, et al.

OccuBench: Evaluierung von AI Agents bei realen professionellen Aufgaben mittels Language World Models

Xiaomeng Hu, Yinger Zhang, Fei Huang, et al.

SpatialEvo: Selbstentwickelnde räumliche Intelligenz durch deterministische geometrische Umgebungen

3D-Maschinenvision

Visuelle Fragebeantwortung

Dinging Li, Yingxiu Zhao, Xinrui Cheng, et al.

RationalRewards: Reasoning Rewards Skalieren die visuelle Generation sowohl zur Training- als auch zur Testzeit

Bildgenerierung

Haozhe Wang, Cong Wei, Weiming Ren, et al.

Seedance 2.0: Advancing Video Generation for World Complexity

Team Seedance, De Chen, Liyang Chen, et al.

GameWorld: In Richtung einer standardisierten und verifizierbaren Evaluation von Multimodal Game Agents

Mingyu Ouyang, Siyuan Hu, Kevin Qinghong Lin, et al.

Cross-Scale Pansharpening via ScaleFormer und der PanScale Benchmark

Bildgenerierung

Ke Cao, Xuanhua He, Xueheng Li, et al.

ParseBench: Ein Benchmark zum Dokumentenparsing für AI Agents

Dokumentenverstehen

Boyang Zhang, Sebastián G. Acosta, Preston Carlson, et al.

Memory Intelligence Agent

Jingyang Qiao, Weicheng Meng, Yu Cheng, et al.

PROPELLA-1: MULTI-PROPERTY DOCUMENT ANNOTATION FÜR DIE LLM DATA CURATION IN GROSSEM MASSSTAB

Maximilian Idahl, Benedikt Droste, Björn Plüster, et al.

Internalisiertes Reasoning für das Visual Document Understanding in Long-Context-Szenarien

Dokumentenverstehen

Visuelle Fragebeantwortung

TurboQuant: Online-Vektorquantisierung mit nahezu optimaler Verzerrungsrate

Amir Zandieh, Majid Daliri, Majid Hadian, et al.

Multimodales OCR: Parse Anything aus Dokumenten

Multimodales OCR: Parse Anything aus Dokumenten

Dokumentenverstehen

Handong Zheng, Yumeng Li, Kaile Zhang, et al.

Granite-speech: Open-Source Speech-aware LLMs mit starken englischen ASR-Fähigkeiten

Granite-speech: Open-Source Speech-aware LLMs mit starken englischen ASR-Fähigkeiten

Audio- Und Sprachverarbeitung

George Saon, Avihu Dekel, Alexander Brooks, et al.

Fish-Speech: Nutzung von Large Language Models für fortschrittliche multilinguale Text-to-Speech-Synthese

Shijia Liao, Yuxuan Wang, Tianyu Li, et al.

Löschung von Videoobjekten und Interaktionen

Saman Motamed, William Harvey, Benjamin Klein, et al.

VoxCPM: Tokenizer-freies TTS zur kontextbewussten Spracherzeugung und lebensnahen Voice Cloning

Diffusionsmodell

OmniVoice: Auf dem Weg zu omnilingualem Zero-Shot Text-to-Speech mittels Diffusion Language Models

Diffusionsmodell

Han Zhu, Lingxuan Ye, Wei Kang, et al.

Wo Vision zu Text wird: Lokalisierung des OCR-Routing-Bottlenecks in Vision-Language Models

Jonathan Steinberg, Oren Gal

OCR oder nicht? Überdenken der Informationsextraktion aus Dokumenten im Zeitalter von MLLMs unter Verwendung von groß angelegten Datensätzen aus der realen Welt

Dokumentenverstehen

Jiyuan Shen, Peiyue Yuan, Atin Ghosh, et al.

dnaHNet: Ein skalierbares und hierarchisches Foundation Model für das Lernen genomischer Sequenzen

Arnav Shah, Junzhe Li, Parsa Idehpour, et al.

Neuronale Computer

Mingchen Zhuge, Changsheng Zhao, Haozhe Liu, et al.

ASGuard: Activation-Scaling Guard zur Abmilderung gezielter Jailbreaking Attacks

Überwachtes Feinabstimmen

Yein Park, Jungwoo Park, Jaewoo Kang

GlobalSplat: Effizientes Feed-Forward 3D Gaussian Splatting durch globale Scene Tokens

3D-Maschinenvision

Roni Itkin, Noam Issachar, Yehonatan Keypur, et al.

Wie lässt sich ein Reasoning Model fine-tunen? Ein Teacher-Student-Kooperationsframework zur Synthese von Student-consistent SFT-Daten

Überwachtes Feinabstimmen

Codegenerierung

Zixian Huang, Kaichen Yang, Xu Huang, et al.

RAD-2: Skalierung von Reinforcement Learning in einem Generator-Discriminator-Framework

Diffusionsmodell

Hao Gao, Shaoyu Chen, Yifan Zhu, et al.

DR$^{3}$-Eval: Auf dem Weg zu einer realistischen und reproduzierbaren Deep Research Evaluation

Retrieval-Augmented Generation

Qianqian Xie, Qingheng Xiong, He Zhu, et al.

HY-World 2.0: Ein Multi-Modal World Model zur Rekonstruktion, Generierung und Simulation von 3D-Welten

Team HY-World, Chenjie Cao, Xuhui Zuo, et al.

pi0.7: Ein steuerbares generelles robotisches Foundation Model mit emergenten Fähigkeiten

Multimodale Darstellung

Bo Ai, Ali Amin, Raichelle Aniceto, et al.

GTR: Guided Thought Reinforcement verhindert den Thought Collapse beim Training von RL-basierten VLM Agenten

Verstärkendes Lernen

Tong Wei, Yijun Yang, Junliang Xing, et al.

Agent-Fähigkeiten für Large Language Models: Architektur, Akquisition, Sicherheit und zukünftige Entwicklungen

Ranjun Xu, Yang Yan

Raumtheorie: Können Foundation Models durch aktive Exploration räumliche Überzeugungen konstruieren?

Körperliche Intelligenz

Pingyue Zhang, Zihan Huang, Yue Wang, et al.

Gedächtnis-Transfer Learning: Wie Erinnerungen über Domänen hinweg in Coding Agents übertragen werden

Codegenerierung

Kangsan Kim, Minki Kang, Taeil Kim, et al.

OccuBench: Evaluierung von AI Agents bei realen professionellen Aufgaben mittels Language World Models

Xiaomeng Hu, Yinger Zhang, Fei Huang, et al.

SpatialEvo: Selbstentwickelnde räumliche Intelligenz durch deterministische geometrische Umgebungen

3D-Maschinenvision

Visuelle Fragebeantwortung

Dinging Li, Yingxiu Zhao, Xinrui Cheng, et al.

RationalRewards: Reasoning Rewards Skalieren die visuelle Generation sowohl zur Training- als auch zur Testzeit

Bildgenerierung

Haozhe Wang, Cong Wei, Weiming Ren, et al.

Seedance 2.0: Advancing Video Generation for World Complexity

Team Seedance, De Chen, Liyang Chen, et al.

GameWorld: In Richtung einer standardisierten und verifizierbaren Evaluation von Multimodal Game Agents

Mingyu Ouyang, Siyuan Hu, Kevin Qinghong Lin, et al.

Cross-Scale Pansharpening via ScaleFormer und der PanScale Benchmark

Bildgenerierung

Ke Cao, Xuanhua He, Xueheng Li, et al.

ParseBench: Ein Benchmark zum Dokumentenparsing für AI Agents

Dokumentenverstehen

Boyang Zhang, Sebastián G. Acosta, Preston Carlson, et al.

Memory Intelligence Agent

Jingyang Qiao, Weicheng Meng, Yu Cheng, et al.

PROPELLA-1: MULTI-PROPERTY DOCUMENT ANNOTATION FÜR DIE LLM DATA CURATION IN GROSSEM MASSSTAB

Maximilian Idahl, Benedikt Droste, Björn Plüster, et al.

Internalisiertes Reasoning für das Visual Document Understanding in Long-Context-Szenarien

Dokumentenverstehen

Visuelle Fragebeantwortung

TurboQuant: Online-Vektorquantisierung mit nahezu optimaler Verzerrungsrate

Amir Zandieh, Majid Daliri, Majid Hadian, et al.

Fish-Speech: Nutzung von Large Language Models für fortschrittliche multilinguale Text-to-Speech-Synthese

Löschung von Videoobjekten und Interaktionen

VoxCPM: Tokenizer-freies TTS zur kontextbewussten Spracherzeugung und lebensnahen Voice Cloning

OmniVoice: Auf dem Weg zu omnilingualem Zero-Shot Text-to-Speech mittels Diffusion Language Models

Wo Vision zu Text wird: Lokalisierung des OCR-Routing-Bottlenecks in Vision-Language Models

OCR oder nicht? Überdenken der Informationsextraktion aus Dokumenten im Zeitalter von MLLMs unter Verwendung von groß angelegten Datensätzen aus der realen Welt

dnaHNet: Ein skalierbares und hierarchisches Foundation Model für das Lernen genomischer Sequenzen

Neuronale Computer

ASGuard: Activation-Scaling Guard zur Abmilderung gezielter Jailbreaking Attacks

GlobalSplat: Effizientes Feed-Forward 3D Gaussian Splatting durch globale Scene Tokens

Wie lässt sich ein Reasoning Model fine-tunen? Ein Teacher-Student-Kooperationsframework zur Synthese von Student-consistent SFT-Daten

RAD-2: Skalierung von Reinforcement Learning in einem Generator-Discriminator-Framework

DR $^{3}$ -Eval: Auf dem Weg zu einer realistischen und reproduzierbaren Deep Research Evaluation

HY-World 2.0: Ein Multi-Modal World Model zur Rekonstruktion, Generierung und Simulation von 3D-Welten

pi0.7: Ein steuerbares generelles robotisches Foundation Model mit emergenten Fähigkeiten

GTR: Guided Thought Reinforcement verhindert den Thought Collapse beim Training von RL-basierten VLM Agenten

Agent-Fähigkeiten für Large Language Models: Architektur, Akquisition, Sicherheit und zukünftige Entwicklungen

Raumtheorie: Können Foundation Models durch aktive Exploration räumliche Überzeugungen konstruieren?

Gedächtnis-Transfer Learning: Wie Erinnerungen über Domänen hinweg in Coding Agents übertragen werden

OccuBench: Evaluierung von AI Agents bei realen professionellen Aufgaben mittels Language World Models

SpatialEvo: Selbstentwickelnde räumliche Intelligenz durch deterministische geometrische Umgebungen

RationalRewards: Reasoning Rewards Skalieren die visuelle Generation sowohl zur Training- als auch zur Testzeit

Seedance 2.0: Advancing Video Generation for World Complexity

GameWorld: In Richtung einer standardisierten und verifizierbaren Evaluation von Multimodal Game Agents

Cross-Scale Pansharpening via ScaleFormer und der PanScale Benchmark

ParseBench: Ein Benchmark zum Dokumentenparsing für AI Agents

Memory Intelligence Agent

PROPELLA-1: MULTI-PROPERTY DOCUMENT ANNOTATION FÜR DIE LLM DATA CURATION IN GROSSEM MASSSTAB

Internalisiertes Reasoning für das Visual Document Understanding in Long-Context-Szenarien

TurboQuant: Online-Vektorquantisierung mit nahezu optimaler Verzerrungsrate

Fish-Speech: Nutzung von Large Language Models für fortschrittliche multilinguale Text-to-Speech-Synthese

Löschung von Videoobjekten und Interaktionen

VoxCPM: Tokenizer-freies TTS zur kontextbewussten Spracherzeugung und lebensnahen Voice Cloning

OmniVoice: Auf dem Weg zu omnilingualem Zero-Shot Text-to-Speech mittels Diffusion Language Models

Wo Vision zu Text wird: Lokalisierung des OCR-Routing-Bottlenecks in Vision-Language Models

OCR oder nicht? Überdenken der Informationsextraktion aus Dokumenten im Zeitalter von MLLMs unter Verwendung von groß angelegten Datensätzen aus der realen Welt

dnaHNet: Ein skalierbares und hierarchisches Foundation Model für das Lernen genomischer Sequenzen

Neuronale Computer

ASGuard: Activation-Scaling Guard zur Abmilderung gezielter Jailbreaking Attacks

GlobalSplat: Effizientes Feed-Forward 3D Gaussian Splatting durch globale Scene Tokens

Wie lässt sich ein Reasoning Model fine-tunen? Ein Teacher-Student-Kooperationsframework zur Synthese von Student-consistent SFT-Daten

RAD-2: Skalierung von Reinforcement Learning in einem Generator-Discriminator-Framework

DR $^{3}$ -Eval: Auf dem Weg zu einer realistischen und reproduzierbaren Deep Research Evaluation

HY-World 2.0: Ein Multi-Modal World Model zur Rekonstruktion, Generierung und Simulation von 3D-Welten

pi0.7: Ein steuerbares generelles robotisches Foundation Model mit emergenten Fähigkeiten

GTR: Guided Thought Reinforcement verhindert den Thought Collapse beim Training von RL-basierten VLM Agenten

Agent-Fähigkeiten für Large Language Models: Architektur, Akquisition, Sicherheit und zukünftige Entwicklungen

Raumtheorie: Können Foundation Models durch aktive Exploration räumliche Überzeugungen konstruieren?

Gedächtnis-Transfer Learning: Wie Erinnerungen über Domänen hinweg in Coding Agents übertragen werden

OccuBench: Evaluierung von AI Agents bei realen professionellen Aufgaben mittels Language World Models

SpatialEvo: Selbstentwickelnde räumliche Intelligenz durch deterministische geometrische Umgebungen

RationalRewards: Reasoning Rewards Skalieren die visuelle Generation sowohl zur Training- als auch zur Testzeit

Seedance 2.0: Advancing Video Generation for World Complexity

GameWorld: In Richtung einer standardisierten und verifizierbaren Evaluation von Multimodal Game Agents

Cross-Scale Pansharpening via ScaleFormer und der PanScale Benchmark

ParseBench: Ein Benchmark zum Dokumentenparsing für AI Agents

Memory Intelligence Agent

PROPELLA-1: MULTI-PROPERTY DOCUMENT ANNOTATION FÜR DIE LLM DATA CURATION IN GROSSEM MASSSTAB

Internalisiertes Reasoning für das Visual Document Understanding in Long-Context-Szenarien

TurboQuant: Online-Vektorquantisierung mit nahezu optimaler Verzerrungsrate