每日论文

Intern-S1：一个科学多模态基础模型

深度思考，自信前行

Mobile-Agent-v3: GUI 自动化的基础 Agent

LiveMCP-101：对 MCP 代理进行压力测试和诊断，以应对挑战性查询

Waver：以您的方式生成栩栩如生的视频

aiXiv：由 AI 科学家生成的科学发现下一代开放获取生态系统

SceneGen：单张图像一次前馈生成三维场景

大型语言模型基准测试调查

ATLAS：解耦骨骼和形状参数，实现富有表现力的参数化人体建模

面向指令引导图像编辑的视觉自回归建模

Snap-Snap：用两张图像在毫秒内重建三维人体高斯

“咖啡馆入口看起来方便进出吗？门在哪里？”——面向视觉查询的地理空间人工智能代理

INTIMA：人类-人工智能伴侣行为基准

Fin-PRM：面向金融推理的大模型领域专业奖励模型

LLaSO：大型语言与语音模型可复现研究的基石框架

何时何地：基于扩散模型的视频语言模型，具有实体感知分割功能，用于长视频理解