OmniShowcase: Omnidirectional Subject-Consistent Video Generation from Multi-View Images
Método usa renderização de malhas 3D e mapas de normais reconstruídos para manter identidade e geometria em vídeos com câmera em órbita.
Ler artigoArtigos sobre Inteligência Artificial
59 artigos
IDM: momentos explícitos sobre DMD para imagem em poucos passos
IDM soma restrições de média e desvio-padrão às features do próprio gerador ao DMD e atinge 94,25% no LongText-Bench chinês com 2 NFE.
Ler artigo
MPO: otimização multiescala de política para agentes LLM de horizonte longo
Paper propõe MPO, que alinha atribuição de crédito e atualização de política à escala de turnos em agentes LLM de horizonte longo.
Ler artigo
ChronoReplay: supervisão espacial sem lock-in de interface
Método treina VLMs espaciais com supervisão heterogênea em episódios cronológicos e balanceados para evitar especialização por formato de resposta.
Ler artigo
The Trinity: autoaperfeiçoamento recursivo guiado por capacidades
Tang et al. reorganizam tarefas por capacidades compartilhadas e evoluem Harnesses multimodais, relatando ganhos de 34 e 26 pontos em benchmarks.
Ler artigo
Trajectory2Gym: supervisão de decisões para agentes de ferramentas
Método constrói interações executáveis com cobertura composicional e decisões fundamentadas, elevando Tau1, Tau2 e BFCL em cinco escalas Qwen3.
Ler artigo
Modelos de mundo em vídeo: ler, escrever, compartilhar e interagir
Survey de 102 páginas propõe modelagem de mundo como lente unificadora para vídeo: ler, escrever, compartilhar e interagir com estados latentes.
Ler artigo
Tela certa, transição errada: modelos de mundo como verificadores
Paper propõe LGWM, modelo de mundo sem decodificador que prevê a representação da próxima tela e verifica transições de agentes GUI em 17 ms.
Ler artigo
SSI: atribuição espectral-espacial com Shapley condicional
Método devolve uma matriz posição × canal via Shapley condicionado ao contexto observado e supera baselines de faithfulness em três datasets.
Ler artigo
WeVisOne-VL: percepção visual unificada de objetos a pixels
Modelo da Tencent unifica detecção, segmentação e matting em um VLM de 2B e 4B parâmetros com token <OBJ> e decoder de pixels.
Ler artigo
StreamEval: benchmark para vídeo generativo interativo em streaming
Benchmark unificado com 300 casos e 37 modelos mostra que qualidade visual não garante execução confiável de pedidos em vídeo interativo.
Ler artigo
Matrix-Game 4.0: jogos jogáveis em tempo real com vídeo generativo
Sistema separa a lógica de jogo, mantida por uma engine, da renderização por vídeo autorregressivo e atinge 480p a 60 FPS em uma única RTX 5090.
Ler artigo
PremiseCheck: verificação barata de erros factuais em revisões por pares
Framework decompõe comentários de revisão em premissas explícitas e usa modelos de decisão para checá-las contra o paper, com custo menor.
Ler artigo
OpenGCUA: um stack aberto para agentes de uso geral do computador
Relatório define o que é um GCUA, abre harness, prompts e trajetórias, e relata +19,6 pontos no OSWorld-v2 com oito modelos de fronteira.
Ler artigo
MJev-Spatial: decisão espacial como classificação em um passe
Modelo "System 1" trata opções, números e pontos como classes: uma passada por decisão e 5,6x mais rápido que o VLM autoregressivo base.
Ler artigo
Waypoint-OPD: portão temporal para transferir ganhos de RL
Checkpoint intermediário do professor pondera a transferência de ganhos de RL e supera a destilação por ponto final em matemática e código.
Ler artigo
OmniCompass: um benchmark holístico para grounding de vídeo omni-modal
Paper propõe OmniCompass, benchmark que une grounding temporal, espacial e QA em vídeo, com trilhos visual e audiovisual e alvos pareados.
Ler artigo
ATAS: estado de mundo persistente para vídeo generativo agêntico
Framework compila roteiros em pedidos de plano com memórias de cena e evento, permitindo revisitar espaços e reencenar eventos com consistência.
Ler artigo
AgentSWE: agentes de código falham ao entregar o que foi pedido
Benchmark AgentSWE mostra que agentes de programação otimizam para casos visíveis e entregam software que não cumpre o requisito original.
Ler artigo
S-Space: o espaço de trabalho espacial dentro dos MLLMs
Pesquisadores identificam um subespaço linear tridimensional em que MLLMs codificam coordenadas espaciais contínuas de objetos.
Ler artigo
AgentGarten: mundos de código com renderização neural em tempo real
Autores propõem separar dinâmica programável de renderização neural para treinar agentes que evoluem em mundos escritos como código.
Ler artigo
Trace2Env: modelos de mundo agênticos a partir de traces
Framework learning-free transforma traces de interação em um worldbook consultado por um agente que simula o ambiente sem reimplementá-lo.
Ler artigo
STEPQuant: quantização espaço-temporal de estados recorrentes
Método de quantização pós-treino aloca bits conforme o tempo de vida da memória e o impacto espacial do erro, mantendo acurácia próxima do FP32.
Ler artigo
Destilação entre tokenizadores distintos: cobertura não é confiabilidade
Paper defende priorizar a confiabilidade da supervisão em vez da cobertura de alinhamento na destilação on-policy entre tokenizadores distintos.
Ler artigo