HyperAI
Command Palette
Search for a command to run...
Papers
最新のAIトレンドを把握するための、日々更新される最先端AI研究論文
LongVILA：長時間動画向けにスケーリングされた長文脈視覚言語モデル
LLM
Transformer
Fuzhao Xue, Yukang Chen, Dacheng Li, et al.
DeepSeek-Prover-V1.5：証明補助ツールのフィードバックを活用した強化学習およびモンテカルロ木探索
LLM
強化学習
Huajian Xin, Z. Z. Ren, Junxiao Song, et al.
LLaVA-OneVision：視覚タスクの簡単な転移
マルチモーダル
ビデオ理解
Bo Li, Yuanhan Zhang, Dong Guo, et al.
SAM 2：画像および動画におけるアノテーションの汎用化
コンピュータビジョン
ビデオ理解
Nikhila Ravi, Valentin Gabeur, Yuan-Ting Hu, et al.
Llama 3 モデル群
LLM
Transformer
Abhimanyu Dubey, Abhinav Jauhri, Abhinav Pandey, et al.
InternLM-XComposer-2.5：長文入出力に対応する汎用的大規模視覚言語モデル
Any-to-Any
マルチモーダル表現
Pan Zhang, Xiaoyi Dong, Yuhang Zang, et al.
MMDU：LVLMs向けのマルチターン・マルチイメージ対話理解ベンチマークおよびインストラクションチューニングデータセット
マルチモーダル
データセット
Ziyu Liu, Tao Chu, Yuhang Zang, et al.
視覚言語モデルを構築する際に重要な要素は何ですか？
マルチモーダル
Transformer
Hugo Laurençon, Léo Tronchon, Matthieu Cord, et al.
DDOS：ドローン深度および障害物セグメンテーションデータセット
深度推定
セマンティックセグメンテーション
Benedikt Kolbeinsson, Krystian Mikolajczyk
自己回帰モデルとフローマッチング：テキストから音楽への生成モデリングの比較研究
Text-to-Audio
拡散モデル
Tal, Or, Kreuk, et al.
SeerAttention-R: 長い推論のためのスパースアテンション適応
Transformer
自然言語処理
Gao, Yizhao, Guo, et al.
プレイヤーワン：自己中心的な世界シミュレーター
動画生成
画像から動画生成
Yuanpeng Tu, Hao Luo, Xi Chen, et al.
ComfyUI-R1: ワークフロー生成のための推論モデルの探求
ComfyUI
Reasoning
Zhenran Xu, Yiyu Wang, Xue Yang, et al.
自己回帰敵対的後学習によるリアルタイムインタラクティブビデオ生成
動画生成
拡散モデル
Shanchuan Lin, Ceyuan Yang, Hao He, et al.
自信がすべて：言語モデルのFew-Shot RLファインチューニング
強化学習
監視付き微調整
Li, Pengyi, Skripkin, et al.