论文阅读

论文阅读：CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer这篇论文提出了 CogVideoX，一个大规模文本生成视频模型。它的目标是生成更长、更清晰、更连贯的视频。

大模型最新论文速读

SkillOpt：把 skill 文档当成模型权重来训练现有 Agent Skill 要么手写、要么由 LLM 一次性生成或者无约束自修改，SkillOpt 把技能文档视为可训练的外部状态，用有界编辑 + 验证门控 + 拒绝缓冲 + 慢速更新构成完整的文本空间优化器，在 52 个评测格子上达到全部最优

解读《Effective Python 3rd Edition》：从练气到老魔（第一章 Item 4 - 6）大家好呀，欢迎来到博主新开的《Effective Python 3rd Edition》学习笔记系列，毕竟也读过几百篇 SCI ，这次来试试阅读原版学习是一种怎样的体验。小伙伴们感兴趣的话，请一定要点赞，收藏加关注呀！

一文读懂HiDream-I1稀疏 DiT 图像生成基础模型【WeThinkIn出品】栏目专注于分享Rocky的认知思考与经验感悟，范围涵盖但不限于AI行业。欢迎大家关注Rocky的知乎：Rocky Ding AIGC算法工程师/开发工程师面试面经秘籍分享：WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家Star～

来一篇儿：《anish into Thin Air: Cross-prompt Universal Adversarial Attacks for SAM2》近期研究揭示了图像分割基础模型 SAM 对对抗性示例的脆弱性。其后续模型 SAM2 由于在视频分割中强大的泛化能力而备受关注。然而，其鲁棒性尚未得到探索，并且现有针对 SAM 的攻击能否直接迁移到 SAM2 上仍不清楚。在本文中，我们首先分析了现有攻击在 SAM 和 SAM2 之间的性能差距，并指出了由其架构差异引起的两个关键挑战：来自提示的方向性引导和跨连续帧的语义纠缠。为了解决这些问题，我们提出了 UAP-SAM2，这是第一个由双重语义偏差驱动的针对 SAM2 的跨提示通用对抗攻击。为了实现跨提示的可

大模型最新论文速读

05-29 · LLM 最新论文速览今日候选池 97 篇，硬过滤 + LLM 打分后通过评估 19 篇，精选 Top-10，另列 9 篇速览。

前沿技术借鉴研讨-2026.5.28（眼动数据预测抑郁&自杀倾向）核心内容：利用情绪句子阅读任务中的眼动数据，通过深度学习模型发现，决策应答前的水平眼动特征，尤其是对负性刺激的反应，可作为抑郁与自杀意念的无创、客观生物行为标记。挑战：抑郁与自杀筛查依赖自评与临床访谈，易受回忆偏差、社会期许影响，缺乏客观标记。创新点：眼动是注意与认知加工的直接窗口，难以主动调控，结合深度学习可挖掘细粒度时空特征，弥补传统手工特征不足。

凌晨一点的秃头猪

GR2（Generative Reasoning Reranker，生成式推理重排器）论文阅读最近的研究越来越多地探索将大语言模型（LLM）作为推荐系统的新范式，这得益于其强大的可扩展性和丰富的世界知识。然而，现有的工作存在三个关键局限性：

Biomamba生信基地

《Advanced Science》前沿工具发布：STAID，空间反卷积自优化深度学习框架文章《STAID: A Self-Refining Deep Learning Framework forSpatial Cell-Type Deconvolution with Biologically InformedModeling》（IF=14.1）发布于《Advanced Science》。

仙女修炼史

CNN更看重Texture还是shape：imagenet-trained cnns are biased《CVPR2019_imagenet-trained cnns are biased towards texture increasing shape bias improves accuracy and robusteness》说明，以下内容右chatgpt生成，为了个人多次深刻理解，现记录下来，供反复理解。

大模型最新论文速读

GRPO 丢失的组内排序信息，LamPO 补回来了一句话总结GRPO 只知道组内谁好谁坏，但丢失了排序结构。LamPO 改用两两对比的方式保留了这一信息，在各基准上一致超越了 GRPO 及其变体，并且不引入显著额外开销

深入浅出讲解ERNIE-Image图像创作大模型欢迎大家关注Rocky的知乎：Rocky Ding AIGC算法工程师/开发工程师面试面经秘籍分享：WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家Star～

小马哥crazymxm

Arxiv论文周选 (2026-W21)同步自EasyReader每周精选模块。配合“导读+思维导图”功能阅读，效率提升80%。立即体验EasyReader论文阅读

【论文阅读】MEM: Multi-Scale Embodied Memory for Vision Language Action Models1.题目: MEM: Multi-Scale Embodied Memory for Vision Language Action Models 2.时间: 2025.04 3.机构: Physical Intelligence, Stanford University, UC Berkeley, MIT 4.3个英文关键词: VLA, Memory, Video Encoder

【论文阅读】VGGT-Ω本文提出了一种名为 VGGT-Ω 的模型，旨在通过扩大模型和数据规模，并改进架构（如引入 Register Attention），实现更快速、更准确的静态和动态场景 3D 重建。

【Inner Monologue论文阅读】: 首次将大语言模型嵌入机器人控制闭环，实现自我反思和动态行为调整想象一下，你让机器人去厨房拿一瓶可乐。传统的机器人会怎么做？它会生成一个僵硬的计划：1. 走到厨房 2. 拿起可乐 3. 拿给你。然后就一条路走到黑——如果可乐不在桌子上，它会傻站在那里；如果第一次没拿起来，它会直接放弃；如果冰箱里只有雪碧，它完全不知道该怎么办。

【论文阅读】RLDX-1本文提出了一种名为RLDX-1的通用机器人策略模型，通过整合视觉、语言、动作以及触觉/扭矩等物理信号，并配合合成数据和推理优化，让机器人（尤其是人形机器人）能像人一样灵活地处理复杂的动态和接触丰富的操作任务。

【论文阅读】StereoVLA: Enhancing Vision-Language-Action Models with Stereo Vision1.题目: StereoVLA: Enhancing Vision-Language-Action Models with Stereo Vision 2.时间: 2025.12 3.机构: Galbot, Peking University, The University of Hong Kong, Institute of Automation. Chinese Academy of Sciences, Beijing Academy of Artificial Intelligence, Xiame

【论文阅读】MotuBrain: An Advanced World Action Model for Robot Control1.题目: MotuBrain: An Advanced World Action Model for Robot Control 2.时间: 2026.05 3.机构: 生数科技 4.3个英文关键词: World Action Model (WAM), VLA, Diffusion

【论文阅读】GEN-0: Embodied Foundation Models That Scale with Physical Interaction本文提出了GEN-0，一种通过海量真实物理交互数据进行预训练的具身基础模型，旨在建立机器人领域的“扩展定律”，实现机器人智能随数据和算力增加而可预测地提升。