本期AI研究速递精选了15篇前沿论文，涵盖了多模态理解与生成、具身智能、空间表征学习以及信息重排序等多个重要领域。研究内容包括利用自监督学习涌现空间表征（Concerto），通过递归代码统一规划与行动（ReCode），以及对数据智能体新范式的探讨。此外，还有基于像素流自回归变换器的可逆生成模型（FARMER），能够实现看、听、说、做的自然具身交互框架（VITA-E），以及在音频驱动动画中保持角色身份的方法（Lookahead Anchoring）。另有面向流式VLA模型的动作连贯性引导（ACG），高效的文本嵌入重排器（E²Rank），以及迈向通用全模态奖励建模的探索（Omni-Reward）。其他亮点包括任意粒度时空目标指代的统一框架（PixelRefer），创新的“敲头注意力”机制，用于三维重建的实例锚定几何Transformer（IGGT），以及将强化学习与Best-of-N采样对齐的方法（The Best of N Worlds）。最后，还介绍了轻量级多模态理解与生成的框架（LightBagel）和推理密集型信息重排序的LimRank。

✨ **多模态与表征学习**：研究聚焦于如何让AI更好地理解和生成多模态信息，例如Concerto通过2D-3D联合自监督学习来涌现空间表征，以及LightBagel提出的轻量级双重融合框架，实现了统一的多模态理解与生成。

🤖 **具身智能与交互**：多篇论文探索了具身智能的关键技术。VITA-E构建了一个能够同时进行视觉、听觉、语言和动作的自然具身交互框架，而ReCode则致力于通过递归代码统一规划与行动，实现更通用的粒度控制。

💡 **信息检索与排序**：在信息过载的背景下，高效的信息检索和排序技术尤为重要。E²Rank展示了文本嵌入如何成为高效的列表级重排器，LimRank则强调了“少即是多”的原则在推理密集型信息重排序中的应用。

🎨 **内容生成与动画**：在内容创作领域，FARMER提出了基于像素流自回归变换器的可逆生成模型，为图像生成提供了新思路。Lookahead Anchoring则专注于在音频驱动的人体动画中，如何有效地保持角色身份的一致性。

🧠 **注意力机制与三维重建**：研究还深入探讨了基础模型架构的改进，例如“敲头注意力”机制（Knocking-Heads Attention）旨在优化多头注意力。IGGT则通过实例锚定几何Transformer，为语义三维重建提供了更精确的方法。

本期的 15 篇论文如下：

00:23 🎼 Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations（Concerto：2D-3D联合自监督学习涌现空间表征）

01:06 🧩 ReCode: Unify Plan and Action for Universal Granularity Control（ReCode：用递归代码统一规划与行动，实现通用粒度控制）

01:44 🤖 A Survey of Data Agents: Emerging Paradigm or Overstated Hype?（数据智能体全景透视：新范式还是泡沫？）

02:23 🌾 FARMER: Flow AutoRegressive Transformer over Pixels（基于像素流自回归变换器的可逆生成模型）

03:07 🤖 VITA-E: Natural Embodied Interaction with Concurrent Seeing, Hearing, Speaking, and Acting（VITA-E：能同时看、听、说、做的自然具身交互框架）

03:45 🎭 Lookahead Anchoring: Preserving Character Identity in Audio-Driven Human Animation（前瞻锚定：在音频驱动人体动画中保持角色身份）

04:17 🤖 ACG: Action Coherence Guidance for Flow-based VLA models（面向流式VLA模型的动作连贯性引导）

04:56 🔍 $\text{E}^2\text{Rank}$: Your Text Embedding can Also be an Effective and Efficient Listwise Reranker（E²Rank：你的文本嵌入也能成为高效列表级重排器）

05:40 🌐 Omni-Reward: Towards Generalist Omni-Modal Reward Modeling with Free-Form Preferences（全模态奖励模型：用自由格式偏好迈向通用奖励建模）

06:30 🔍 PixelRefer: A Unified Framework for Spatio-Temporal Object Referring with Arbitrary Granularity（PixelRefer：任意粒度时空目标指代的统一框架）

07:06 🧠 Knocking-Heads Attention（敲头注意力：让多头彼此“敲一敲”）

07:42 🧩 IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction（IGGT：面向语义三维重建的实例锚定几何Transformer）

08:30 🎯 The Best of N Worlds: Aligning Reinforcement Learning with Best-of-N Sampling via max@k Optimisation（多选一最优：用max@k优化将强化学习与Best-of-N采样对齐）

09:14 🥯 LightBagel: A Light-weighted, Double Fusion Framework for Unified Multimodal Understanding and Generation（LightBagel：面向统一多模态理解与生成的轻量级双重融合框架）

09:51 🧠 LimRank: Less is More for Reasoning-Intensive Information Reranking（LimRank：少即是多的推理密集型信息重排序）

【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