每日论文

拖放式LLM：零样本提示到权重

视觉引导分块：您所需要的一切——通过多模态文档理解增强 RAG

PAROAttention：视觉生成模型中高效稀疏和量化注意力的模式感知重排序

Hunyuan-GameCraft：具有混合历史条件的高动态交互式游戏视频生成

VIKI-R：通过强化学习协调具身多智能体协作

机器心智意象：通过潜在视觉令牌赋能多模态推理

Hunyuan3D 2.5：迈向具有极致细节的高保真3D资产生成

优化多语种文本转语音（带口音与情感）

DreamCube：通过多平面同步生成3D全景图

InfiniPot-V：用于流媒体视频理解的内存受限 KV 缓存压缩

混元3D 2.1：从图像到具有生产级 PBR 材质的高保真3D资产

UniFork：探索模态对齐以实现统一的多模态理解和生成

从意图到执行：探究视觉-语言-动作模型的泛化边界

基于重排的生成用于无偏视角摘要

通过交错自回归运动和场景生成进行长期交通模拟

MEXA：迈向通用多模态推理，基于动态多专家聚合

自回归图像生成水印

通过紧凑表示下一词元分布改进语言模型反演