每日论文

FORGE：面向制造场景的细粒度多模态评估

RefineAnything：旨在实现完美局部细节的多模态特定区域精细化

EXAONE 4.5 技术报告

Matrix-Game 3.0：具有长时记忆的实时流式交互式世界模型

WildDet3D：在野外场景下扩展可提示的 3D 检测

ECHO：基于单步块扩散的高效胸部 X 光报告生成

通过多目标对齐的结构化因果视频推理

ELT：用于视觉生成的弹性循环 Transformer

VisionFoundry：利用合成图像教授视觉语言模型（VLM）视觉感知

大语言模型通过一种独特且统一的机制生成有害内容

CT-1：视觉-语言-相机模型将空间推理知识迁移至相机可控的视频生成

说话人面部视频情感编辑中的跨模态情感迁移