論文
日々更新される最先端AI研究論文、人工知能の最新動向を把握
OmniGen2: 多モーダル生成の探求と進化
Chenyuan Wu, Pengfei Zheng, Ruiran Yan, et al.
ノーマルの光：普遍的なフォトメトリックステレオのための統一特徴表現
Hong Li, Houyuan Chen, Chongjie Ye, et al.
状態を用いて多様なコンテキストにおける細胞の摂動に対する反応を予測する
Abhinav K. Adduri, Dhruv Gautam, Beatrice Bevilacqua, et al.
CodeDiffuser: 注意力強化拡散ポリシーとVLM生成コードによる指示の曖昧性解消
Guang Yin, Yitong Li, Yixuan Wang, et al.
多言語テキストツーティークの最適化：アクセントと感情を考慮して
Pawar, Pranav, Dwivedi, et al.
Hunyuan-GameCraft: ハイブリッドな歴史条件を用いた高ダイナミックなインタラクティブゲームビデオ生成
Li, Jiaqi, Tang, et al.
VIKI-R: 強化学習を用いた身体化マルチエージェント協調の調整
Kang, Li, Song, et al.
PAROAttention: パターン認識に基づく効率的なスパースおよび量子化された注意機構の並べ替え
Zhao, Tianchen, Hong, et al.
ビジョンガイドチャンキングがすべて：マルチモーダル文書理解によるRAGの強化
Tripathi, Vishesh, Odapally, et al.
ドラッグアンドドロップ LLM: ゼロショット プロンプトツーウェイツ
Liang, Zhiyuan, Tang, et al.
進化キャッシュを用いた既製の拡散モデルの加速
Aggarwal, Anirud, Shrivastava, et al.
RE-IMAGINE: 記号ベンチマーク合成による推論評価
Xu, Xinnuo, Lawrence, et al.
SonicVerse: 音楽特徴を活用した多タスク学習によるキャプショニング
Chopra, Anuradha, Roy, et al.
すべてが失われたわけではない：チェックポイントなしのLLM回復
Blagoev, Nikolay, Ersoy, et al.
サンダイアル：高性能な時系列基礎モデルのファミリー
Yong Liu, Guo Qin, Zhiyuan Shi, et al.
ADRD: 規則に基づく意思決定システムを用いたLLM駆動の自動運転
Fanzhi Zeng, Siqi Wang, Chuzhao Zhu, et al.
構造化指示によるチャートからコードの生成における改良された反復精緻化
Chengzhi Xu, Yuyang Wang, Lai Wei, et al.
Show-o2: 改良されたネイティブ統一マルチモーダルモデル
Jinheng Xie, Zhenheng Yang, Mike Zheng Shou
強化学習を用いたLLMの推論の再検討：クロスドメインの観点から
Zhoujun Cheng, Shibo Hao, Tianyang Liu, et al.
Raptor: 3次元医療データのスケーラブルな学習不要埋め込みを実現する、事前学習済み2次元基盤モデルを活用した手法
Ulzee An, Moonseong Jeong, Simon Austin Lee, et al.
EmoNet-Voice: 音声感情検出のための細かい粒度で専門家が確認したベンチマーク
Christoph Schuhmann, Robert Kaczmarczyk, Gollam Rabby, et al.
s1：単純なテスト時スケーリング
Niklas Muennighoff, Zitong Yang, Weijia Shi, et al.
VideoLLaMA 3：画像および動画理解のための先端マルチモーダル基盤モデル
Boqiang Zhang, Kehan Li, Zesen Cheng, et al.
Search-o1：エージェント型検索強化型大規模推論モデル
Xiaoxi Li, Guanting Dong, Jiajie Jin, et al.
LLaVA-Mini：1つのビジョントークンを用いた効率的な画像および動画大規模マルチモーダルモデル
Shaolei Zhang, Qingkai Fang, Zhe Yang, et al.
MAmmoTH-VL：スケールにおける指示チューニングを用いたマルチモーダル推論の促進
Jarvis Guo, Tuney Zheng, Yuelin Bai, et al.
ShowUI：GUI視覚エージェント向けのワンビジョン・言語・アクションモデル
Kevin Qinghong Lin, Linjie Li, Difei Gao, et al.
OS-ATLAS：汎用GUIエージェント向け基盤行動モデル
Zhiyong Wu, Zhenyu Wu, Fangzhi Xu, et al.
GPT-4o システムカード
OpenAI, Aaron Hurst, Adam Lerer, et al.
SAM2Long：トレーニング不要メモリツリーを用いたSAM 2の長期動画セグメンテーションへの拡張
Shuangrui Ding, Rui Qian, Xiaoyi Dong, et al.
アリア：オープンなマルチモーダルネイティブ・ミクスチャーオブエキスパートモデル
Dongxu Li, Yudong Liu, Haoning Wu, et al.
Qwen2-VL：任意解像度における視覚言語モデルの世界認識能力の向上
Peng Wang, Shuai Bai, Sinan Tan, et al.