每日论文

迈向理解任何视频中的摄像机运动

Skywork R1V2：多模态混合强化学习用于推理

BitNet v2：原生4比特激活与哈达玛变换，用于1比特大型语言模型

视频视野-文化语言：360° 视野 - 在视频理解中跨越文化、语言与领域

大型语言模型能否帮助多模态语言分析？MMLA：综合基准

优化面向意大利语的LLM：通过词汇适应减少Token冗余并提升效率

Kimi-Audio 技术报告

稀疏前沿：Transformer LLMs 中的稀疏注意力权衡

即使是小型推理器也应引用来源：介绍Pleias-RAG模型家族

主体驱动视频生成：解耦身份与运动

DianJin-R1：评估与增强大型语言模型中的金融推理能力

DC-SAM：基于双重一致性的图像和视频上下文内万物分割