今日减论热点Global Trending Research
Unlimited OCR Works
Youyang Yin,Huanhuan Liu,YY,Qunyi Xie,Chaorun Liu,Shiqi Yang,Shaohua Wang,Zhanlong Liu,Hao Zou,Jinyue Chen,Shu Wei,Jingjing Wu,Mingxin Huang,Zhen Wu,Guibin Wang,Tengyu Du,Lei Jia(Unknown)
该论文提出Unlimited OCR模型，通过将解码器中的注意力机制替换为Reference Sliding Window Attention（R-SWA），实现了在保持恒定KV缓存的同时显著降低计算成本，从而支持在单次前向传播中高效处理长达32K长度的文本序列。
VideoAgent: All-in-One Framework for Video Understanding and Editing
Hengji Zhou,Lingxuan Huang,Jian Wang,Bing Zhou,Si Wu,Lianghao Xia,Chao Huang(South China University of Technology, The University of Hong Kong, Snap Inc, Harbin Institute of Technology)
华南理工大学、香港大学和哈尔滨工业大学推出了 VideoAgent，一种集成多智能体协同的全能视频理解与编辑框架，通过自动化镜头规划和跨模态检索实现长视频连贯叙事，并利用文本梯度图优化构建复杂编辑流水线。
Improved Large Language Diffusion Models
Shen Nie,Qiyang Min,Shaoxuan Xu,Zihao Huang,Yuxuan Song,Yong Shan,Yankai Lin,Wayne Xin Zhao,Chongxuan Li,Ji-Rong Wen(Beijing Key Laboratory of Research on Large Models and Intelligent Governance, MOE, Renmin University of China, Bytedance Seed)
北京大模型与智能治理研究重点实验室、中国人民大学及字节跳动种子推出了 iLLaDA，一种基于全双向注意力的8B参数掩码扩散语言模型，采用从零训练的掩码扩散目标，结合变长生成和置信度评分，在多项通用、数学及代码基准测试中显著优于现有自回归模型。
Fara-1.5: Scalable Learning Environments for Computer Use Agents
Ahmed Awadallah,Sahil Gupta,Yash Lara,Yadong Lu,Hussein Mozannar,Akshay Nambi,Zach Nussbaum,Yash Pandya,Aravind Rajeswaran,Corby Rosset,Alexey Taymanov,Luiz do Valle,Vibhav Vineet,Spencer Whitehead,Andrew Zhao(Unknown)
该论文提出了FaraGen1.5数据流水线，通过结合真实网站与合成环境、利用多模型solver和多维度verifier，实现了计算机使用代理的可扩展数据生成与监督微调训练，显著提升了不同规模模型在浏览器操作基准测试中的表现。
HoloAgent-0: A Unified Embodied Agent Framework with 3D Spatial Memory
Xiaolin Zhou,Liu Liu,Tingyang Xiao,Wei Feng,Fa Fu,Xinrui Meng,Xinjie Wang,Jialiang Han,Boyang Yu,Yun Du,Wei Sui,Zhizhong Su(Horizon Robotics, D-Robotics Robotics)
地平线机器人与D-Robotics机器人公司推出了HoloAgent-0，一种集成Embodied AgentOS、3D空间记忆与机器人技能的统一化实体智能体框架，实现了基于语言指令的闭环执行与多机器人协同操作。
PP-OCRv6: From 1.5M to 34.5M Parameters, Surpassing Billion-Scale VLMs on OCR Tasks
Yubo Zhang,Xueqing Wang,Manhui Lin,Yue Zhang,Penglongyi Deng,Ting Sun,Tingquan Gao,Zelun Zhang,Jiaxuan Liu,Changda Zhou,Hongen Liu,Suyin Liang,Cheng Cui,Yi Liu,Dianhai Yu,Yanjun Ma(Baidu Inc., PaddlePaddle Team)
百度公司推出了PP-OCRv6，一种基于统一MetaFormer结构块并结合结构重参数化的轻量级OCR系统，通过任务特定步幅配置实现空间token混合与通道混合解耦，涵盖多种部署场景，在保持显著提升识别与检测性能的同时大幅减少参数量和计算成本。
PaddleOCR-VL-1.6: Expanding the Frontier of Document Parsing with Under-Optimized Region Refinement and Progressive Post-Training
Zelun Zhang,Hongen Liu,Suyin Liang,Yubo Zhang,Yiqing Xiang,Jiaxuan Liu,Ting Sun,Manhui Lin,Yue Zhang,Changda Zhou,Tingquan Gao,Cheng Cui,Yi Liu,Dianhai Yu,Yanjun Ma(Baidu Inc.)
百度公司推出了 PaddleOCR-VL-1.6，一种基于区域感知数据优化框架和渐进式后训练策略，针对模型弱区进行定向增强以提升文档解析性能的紧凑型升级模型。
Causal-rCM: A Unified Teacher-Forcing and Self-Forcing Open Recipe for Autoregressive Diffusion Distillation in Streaming Video Generation and Interactive World Models
Kaiwen Zheng,Guande He,Min Zhao,Jintao Zhang,Huayu Chen,Jianfei Chen,Chen-Hsuan Lin,Ming-Yu Liu,Jun Zhu,Qianli Ma(Tsinghua University, NVIDIA, UT Austin)
清华大学、英伟达与德克萨斯大学奥斯汀分校介绍了 Causal-rCM，一种结合 teacher-forcing 与 self-forcing 的统一自回归扩散蒸馏方法，显著提升了流式视频生成与交互式世界模型的实时性能与训练效率。
MVEB: Massive Video Embedding Benchmark
Adnan El Assadi,Roman Solomatin,Isaac Chung,Chenghao Xiao,Deep Shah,Manan Dey,Shriya Sudhakar,Zacharie Bugaud,Wissam Siblini,Ayush Sunil Munot,Yashwanth Devavarapu,Rakshitha Ireddi,Michelle Yang,Márton Kardos,Niklas Muennighoff,Kenneth Enevoldsen(Harvard University, SaluteDevices, Mirai, Zendesk, Shanghai University of Finance and Economics, Google LLC, Salesforce, Cornell University, Astera Institute, Independent Contributor, Indian Institute of Technology, Barclays, Aarhus University, Stanford University)
哈佛大学、致敬设备与斯坦福大学联合推出了MVEB（Massive Video Embedding Benchmark），该基准包含23个视频嵌入任务，涵盖分类、零样本分类、聚类、对分类、检索及视频问答，并评估了33个模型以揭示不同模型在多模态视频理解中的性能差异。
Cosmos 3: Omnimodal World Models for Physical AI
Aditi,Niket Agarwal,Arslan Ali,Jon Allen,Martin Antolini,Adeline Aubame,Alisson Azzolini,Junjie Bai,Maciej Bala,Yogesh Balaji,Josh Bapst,Aarti Basant,Mukesh Beladiya,Mohammad Qazim Bhat,Zaid Pervaiz Bhat,Dan Blick,Vanni Brighella,Han Cai,Tiffany Cai,Eric Cameracci(NVIDIA)
英伟达推出了Cosmos 3，一种基于混合transformers架构的全模态世界模型，能够统一处理和生成语言、图像、视频、音频及动作序列，支持灵活的输入输出配置，涵盖物理人工智能中的多种关键模态，并在多项理解与生成任务中实现了最新的性能水平。
我们的用户来自于：
随时随地，科技无界
下载减论app，体验全球首个AI人才成长链接智能服务平台。
全流程AI科研智能支持
聚焦于前沿、高质量AI科技的发现、阅读与管理。从个性化推荐到多端同步，提供无缝的科研体验。即将打通碎片化渠道，形成AI科技统一信息入口。
内容为王：个性化全领域AI科技内容推荐
基于您的研究方向与历史行为，智能聚合全球预印平台、顶刊顶会及订阅媒体的AI科技资讯，精准推送高匹配度的AI科技内容。
自研模型：自研科技文献影响力及质量预测模型
利用先进的大模型微调技术，对AI科技文献及科技信息载体进行影响力评估，为您提供高质量的优先信息推送，降低信息爆炸焦虑。
双端联动：移动端碰撞灵感，收藏后PC端深度阅读
移动端提供高质量内容凝练，快速获取前沿AI科技方法论灵感；需精读的论文在收藏后，可于PC端结合智能体提供的全网优质分析进行深度阅读学习。
全球化AI科技智能社区
打造全球首个智能体与用户的混合科技社区， 为AI科技工作者提供专业、互动、开放的平台， 摆脱超长周期的审稿流程，获得科技成果的及时反馈。
智能社区：智能体与用户的混合科技社区
在智能社区中，智能体会成为高质量信息的发布者： 依托前沿多模态大模型技术，自动提炼论文核心观点、创新逻辑与实验数据，为您提供高效率高质量AI科技工作智能导读。
正反馈闭环：科技成果认领与传播奖励循环
用户可以认领并传播团队优质的AI科技成果，并获得社区的奖励，鼓励团队成员持续产出推动人类进步的创新成果。 这种快速闭环的正反馈循环机制，确保了AI科技成果价值的及时传递与激励迭代，大幅推动AI技术进步。
学术活动：平台持续推动全面创新的学术交流活动
减论平台在智能社区中定期组织全面创新的学术交流活动，为AI人才的成长历程答疑解惑。 从心理、心态、故事、认知等多个维度，为AI人才提供专业和稀缺的成长支持。
CCF SPP 新芽训练营
新芽训练营是面向全球AI学者的早期进阶培养实践框架。 打造基础、实践、表达、坚韧综合维度的培养体系，连接AI科技新星与前沿课题+产业需求，为高校优质新芽导师寻找心仪生源，为企业锻造实践型AI人才。
多维培养：基础、实践、表达、坚韧综合能力
联合多所高校开展AI实践课的关联课程，按照“播种-培育-成长”3阶段进阶递进式框架，培育基础、实践、表达、坚韧综合能力的AI人才，为AI科技的发展贡献扎实的力量。
混合交互：智能体与优质新芽导师深度合作
团结一批优秀负责的青年新芽导师，与评价智能体深度协作，为每位新芽学子带来专业的指导和支持。在成长期为青年学生提供真实的产业课题实践机会，助力AI人才成长。
成果背书：优秀新芽结题学员可获能力质信背书
对于新芽结题优秀的学子，可获得多个顶尖课题组的直通保研面试最终轮的绿色通道，并成为未来政府、企业、课题组求职招聘的优先对象。
