本期的 21 篇论文如下：

[00:24] 🔄 Analyze Feature Flow to Enhance Interpretation and Steering in Language Models（分析特征流以增强语言模型的解释与控制）

[01:03] 🤖 UltraIF: Advancing Instruction Following from the Wild（超IF：从野外推进指令跟随）

[01:40] 🎥 DynVFX: Augmenting Real Videos with Dynamic Content（DynVFX：用动态内容增强真实视频）

[02:16] 🌐 Ola: Pushing the Frontiers of Omni-Modal Language Model with Progressive Modality Alignment（Ola：通过渐进式模态对齐推动全模态语言模型的前沿）

[02:51] 🏃 MotionLab: Unified Human Motion Generation and Editing via the Motion-Condition-Motion Paradigm（MotionLab：基于运动-条件-运动范式的统一人体运动生成与编辑）

[03:31] 🤖 Great Models Think Alike and this Undermines AI Oversight（伟大的模型思维相似，这削弱了AI监督）

[04:07] 📚 MAGA: MAssive Genre-Audience Reformulation to Pretraining Corpus Expansion（MAGA：大规模体裁-受众重构以扩展预训练语料库）

[04:47] 🏆 Gold-medalist Performance in Solving Olympiad Geometry with AlphaGeometry2（在解决奥林匹克几何问题中实现金牌选手水平的AlphaGeometry2）

[05:25] 🤖 ScoreFlow: Mastering LLM Agent Workflows via Score-based Preference Optimization（ScoreFlow：基于评分偏好优化的LLM代理工作流掌握）

[06:07] 🎙 Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis（Llasa：扩展基于Llama的语音合成中的训练和推理计算）

[06:51] 🎥 MotionCanvas: Cinematic Shot Design with Controllable Image-to-Video Generation（MotionCanvas：基于可控图像到视频生成的电影镜头设计）

[07:38] 📊 ChartCitor: Multi-Agent Framework for Fine-Grained Chart Visual Attribution（ChartCitor：细粒度图表视觉归属的多代理框架）

[08:18] 🧠 BOLT: Bootstrap Long Chain-of-Thought in Language Models without Distillation（BOLT：无需蒸馏的大语言模型长链思维自举）

[09:01] 🔄 Beyond Prompt Content: Enhancing LLM Performance via Content-Format Integrated Prompt Optimization（超越提示内容：通过内容-格式集成提示优化提升大语言模型性能）

[09:45] 🌀 Weak-to-Strong Diffusion with Reflection（从弱到强扩散与反射）

[10:26] 🤖 PlotGen: Multi-Agent LLM-based Scientific Data Visualization via Multimodal Feedback（PlotGen：基于多智能体LLM的科学数据可视化通过多模态反馈）

[11:04] 🔧 Enhancing Code Generation for Low-Resource Languages: No Silver Bullet（提升低资源语言的代码生成：没有银弹）

[11:48] 🔓 Speak Easy: Eliciting Harmful Jailbreaks from LLMs with Simple Interactions（轻松对话：通过简单互动从LLM中引出有害越狱行为）

[12:22] 🤖 PILAF: Optimal Human Preference Sampling for Reward Modeling（PILAF：最优人类偏好采样用于奖励建模）

[13:05] 🎥 Towards Physical Understanding in Video Generation: A 3D Point Regularization Approach（面向视频生成的物理理解：一种3D点正则化方法）

[13:47] 🤖 Learning Real-World Action-Video Dynamics with Heterogeneous Masked Autoregression（基于异质掩码自回归的现实世界动作视频动态学习）

【关注我们】

您还可以在以下平台找到我们，获得播客内容以外更多信息

小红书: AI速递

2025.02.07 | 特征流提升模型可解释性，超IF增强指令跟随能力。

HuggingFace 每日AI论文速递