Artículos de Investigación en IA Diarios

Artículos de investigación en IA seleccionados diariamente con traducciones

R1-Onevision: Avanzando en el razonamiento multimodal generalizado mediante la formalización intermodal
R1-Onevision: Advancing Generalized Multimodal Reasoning through Cross-Modal Formalization

Yi Yang, Xiaoxuan He, Hongkun Pan, Xiyan Jiang, Yan Deng, Xingtao Yang, Haoyu Lu, Dacheng Yin, Fengyun Rao, Minfeng Zhu, Bo Zhang, Wei Chen•Mar 13, 2025•173

Generación Autoregresiva de Imágenes con Decodificación Paralela Aleatorizada
Autoregressive Image Generation with Randomized Parallel Decoding

Haopeng Li, Jinyue Yang, Guoqi Li, Huan Wang•Mar 13, 2025•82

Open-Sora 2.0: Entrenamiento de un modelo de generación de videos de nivel comercial por $200k
Open-Sora 2.0: Training a Commercial-Level Video Generation Model in $200k

Xiangyu Peng, Zangwei Zheng, Chenhui Shen, Tom Young, Xinying Guo, Binluo Wang, Hang Xu, Hongxin Liu, Mingyan Jiang, Wenjun Li, Yuhui Wang, Anbang Ye, Gang Ren, Qianran Ma, Wanying Liang, Xiang Lian, Xiwen Wu, Yuting Zhong, Zhuangyan Li, Chaoyu Gong, Guojun Lei, Leijun Cheng, Limin Zhang, Minghao Li, Ruijie Zhang, Silan Hu, Shijie Huang, Xiaokang Wang, Yuanheng Zhao, Yuqi Wang, Ziang Wei, Yang You•Mar 12, 2025•183

Sobre las Limitaciones de los Modelos de Visión-Lenguaje en la Comprensión de Transformaciones de Imágenes
On the Limitations of Vision-Language Models in Understanding Image Transforms

Ahmad Mustafa Anis, Hasnain Ali, Saquib Sarfraz•Mar 12, 2025•102

Transformadores sin Normalización
Transformers without Normalization

Jiachen Zhu, Xinlei Chen, Kaiming He, Yann LeCun, Zhuang Liu•Mar 13, 2025•1615

PerCoV2: Mejora en la compresión perceptual de imágenes con tasas de bits ultra bajas mediante modelado jerárquico implícito de imágenes enmascaradas
PerCoV2: Improved Ultra-Low Bit-Rate Perceptual Image Compression with Implicit Hierarchical Masked Image Modeling

Nikolai Körber, Eduard Kromer, Andreas Siebert, Sascha Hauke, Daniel Mueller-Gritschneder, Björn Schuller•Mar 12, 2025•32

GroundingSuite: Medición de la Fundamentación de Píxeles Complejos y Multigranulares
GroundingSuite: Measuring Complex Multi-Granular Pixel Grounding

Rui Hu, Lianghui Zhu, Yuxuan Zhang, Tianheng Cheng, Lei Liu, Heng Liu, Longjin Ran, Xiaoxin Chen, Wenyu Liu, Xinggang Wang•Mar 13, 2025•182

Estudio de la Guía de Clasificadores (sin Clasificador) desde una Perspectiva Centrada en el Clasificador
Studying Classifier(-Free) Guidance From a Classifier-Centric Perspective

Xiaoming Zhao, Alexander G. Schwing•Mar 13, 2025•22

Cuantización para los Modelos Whisper de OpenAI: Un Análisis Comparativo
Quantization for OpenAI's Whisper Models: A Comparative Analysis

Allison Andreyev•Mar 12, 2025•62

MinorBench: Un punto de referencia construido manualmente para riesgos basados en contenido para niños
MinorBench: A hand-built benchmark for content-based risks for children

Shaun Khoo, Gabriel Chua, Rachel Shong•Mar 13, 2025•43

TruthPrInt: Mitigación de la alucinación de objetos en LVLM mediante preintervención guiada por la verdad latente
TruthPrInt: Mitigating LVLM Object Hallucination Via Latent Truthful-Guided Pre-Intervention

Jinhao Duan, Fei Kong, Hao Cheng, James Diffenderfer, Bhavya Kailkhura, Lichao Sun, Xiaofeng Zhu, Xiaoshuang Shi, Kaidi Xu•Mar 13, 2025•42

El Modelado del Mundo Hace Mejores Planificadores: Optimización Dual de Preferencias para la Planificación de Tareas Embebidas
World Modeling Makes a Better Planner: Dual Preference Optimization for Embodied Task Planning

Siyin Wang, Zhaoye Fei, Qinyuan Cheng, Shiduo Zhang, Panpan Cai, Jinlan Fu, Xipeng Qiu•Mar 13, 2025•537

OmniPaint: Dominando la edición orientada a objetos mediante la inserción-eliminación desacoplada en la restauración de imágenes
OmniPaint: Mastering Object-Oriented Editing via Disentangled Insertion-Removal Inpainting

Yongsheng Yu, Ziyun Zeng, Haitian Zheng, Jiebo Luo•Mar 11, 2025•292

VisualWebInstruct: Escalando Datos de Instrucción Multimodal a través de Búsquedas Web
VisualWebInstruct: Scaling up Multimodal Instruction Data through Web Search

Yiming Jia, Jiachen Li, Xiang Yue, Bo Li, Ping Nie, Kai Zou, Wenhu Chen•Mar 13, 2025•232

El entrenamiento de modelos de lenguaje eficiente en comunicación escala de manera confiable y robusta: Leyes de escalamiento para DiLoCo
Communication-Efficient Language Model Training Scales Reliably and Robustly: Scaling Laws for DiLoCo

Zachary Charles, Gabriel Teston, Lucio Dery, Keith Rush, Nova Fallen, Zachary Garrett, Arthur Szlam, Arthur Douillard•Mar 12, 2025•142

Desplazando la investigación de LLMs de contexto largo desde la entrada hacia la salida
Shifting Long-Context LLMs Research from Input to Output

Yuhao Wu, Yushi Bai, Zhiqing Hu, Shangqing Tu, Ming Shan Hee, Juanzi Li, Roy Ka-Wei Lee•Mar 6, 2025•222

Ataque Silencioso de Marca: Intoxicación de Datos sin Disparadores en Modelos de Difusión de Texto a Imagen
Silent Branding Attack: Trigger-free Data Poisoning Attack on Text-to-Image Diffusion Models

Sangwon Jang, June Suk Choi, Jaehyeong Jo, Kimin Lee, Sung Ju Hwang•Mar 12, 2025•362

La Maldición de las Condiciones: Análisis y Mejora del Transporte Óptimo para la Generación Basada en Flujos Condicionales
The Curse of Conditions: Analyzing and Improving Optimal Transport for Conditional Flow-Based Generation

Ho Kei Cheng, Alexander Schwing•Mar 13, 2025•32

SANA-Sprint: Difusión en un solo paso con destilación de consistencia en tiempo continuo
SANA-Sprint: One-Step Diffusion with Continuous-Time Consistency Distillation

Junsong Chen, Shuchen Xue, Yuyang Zhao, Jincheng Yu, Sayak Paul, Junyu Chen, Han Cai, Enze Xie, Song Han•Mar 12, 2025•374

CoSTAast: Agente de Trayectoria de Herramientas Sensible al Costo para Edición de Imágenes en Múltiples Pasadas
CoSTAast: Cost-Sensitive Toolpath Agent for Multi-turn Image Editing

Advait Gupta, NandaKiran Velaga, Dang Nguyen, Tianyi Zhou•Mar 13, 2025•7910

DiT-Air: Revisión de la Eficiencia del Diseño de Arquitectura de Modelos de Difusión en la Generación de Imágenes a partir de Texto
DiT-Air: Revisiting the Efficiency of Diffusion Model Architecture Design in Text to Image Generation

Chen Chen, Rui Qian, Wenze Hu, Tsu-Jui Fu, Lezhi Li, Bowen Zhang, Alex Schwing, Wei Liu, Yinfei Yang•Mar 13, 2025•172

Light-R1: Plan de estudios SFT, DPO y RL para Cadenas de Pensamiento Largas desde Cero y Más Allá
Light-R1: Curriculum SFT, DPO and RL for Long COT from Scratch and Beyond

Liang Wen, Yunke Cai, Fenrui Xiao, Xin He, Qi An, Zhenyu Duan, Yimin Du, Junchen Liu, Lifu Tang, Xiaowei Lv, Haosheng Zou, Yongchao Deng, Shousheng Jia, Xiangzheng Zhang•Mar 13, 2025•284

VisualPRM: Un Modelo Efectivo de Recompensa de Procesos para el Razonamiento Multimodal
VisualPRM: An Effective Process Reward Model for Multimodal Reasoning

Weiyun Wang, Zhangwei Gao, Lianjie Chen, Zhe Chen, Jinguo Zhu, Xiangyu Zhao, Yangzhou Liu, Yue Cao, Shenglong Ye, Xizhou Zhu, Lewei Lu, Haodong Duan, Yu Qiao, Jifeng Dai, Wenhai Wang•Mar 13, 2025•363

CoRe^2: Recopilar, Reflexionar y Refinar para Generar Mejor y Más Rápido
CoRe^2: Collect, Reflect and Refine to Generate Better and Faster

Shitong Shao, Zikai Zhou, Dian Xie, Yuetong Fang, Tian Ye, Lichen Bai, Zeke Xie•Mar 12, 2025•344

GoT: Liberando la Capacidad de Razonamiento de los Modelos de Lenguaje Multimodales de Gran Escala para la Generación y Edición Visual
GoT: Unleashing Reasoning Capability of Multimodal Large Language Model for Visual Generation and Editing

Rongyao Fang, Chengqi Duan, Kun Wang, Linjiang Huang, Hao Li, Shilin Yan, Hao Tian, Xingyu Zeng, Rui Zhao, Jifeng Dai, Xihui Liu, Hongsheng Li•Mar 13, 2025•502

Destilando Diversidad y Control en Modelos de Difusión
Distilling Diversity and Control in Diffusion Models

Rohit Gandikota, David Bau•Mar 13, 2025•142

CINEMA: Generación coherente de videos multi-sujeto mediante guía basada en MLLM
CINEMA: Coherent Multi-Subject Video Generation via MLLM-Based Guidance

Yufan Deng, Xun Guo, Yizhi Wang, Jacob Zhiyuan Fang, Angtian Wang, Shenghai Yuan, Yiding Yang, Bo Liu, Haibin Huang, Chongyang Ma•Mar 13, 2025•112

Descubriendo la Ruta de Neuronas Influyentes en Transformadores de Visión
Discovering Influential Neuron Path in Vision Transformers

Yifan Wang, Yifei Liu, Yingdong Shi, Changming Li, Anqi Pang, Sibei Yang, Jingyi Yu, Kan Ren•Mar 12, 2025•62

UniGoal: Hacia la Navegación Universal Orientada a Objetivos con Aprendizaje Cero
UniGoal: Towards Universal Zero-shot Goal-oriented Navigation

Hang Yin, Xiuwei Xu, Lingqing Zhao, Ziwei Wang, Jie Zhou, Jiwen Lu•Mar 13, 2025•62

Ensambla las piezas: Conceptualización basada en partes con IP-Priors
Piece it Together: Part-Based Concepting with IP-Priors

Elad Richardson, Kfir Goldberg, Yuval Alaluf, Daniel Cohen-Or•Mar 13, 2025•82

ConsisLoRA: Mejorando la Consistencia de Contenido y Estilo para la Transferencia de Estilo Basada en LoRA
ConsisLoRA: Enhancing Content and Style Consistency for LoRA-based Style Transfer

Bolin Chen, Baoquan Zhao, Haoran Xie, Yi Cai, Qing Li, Xudong Mao•Mar 13, 2025•82

Ajuste de Contexto Largo para la Generación de Videos
Long Context Tuning for Video Generation

Yuwei Guo, Ceyuan Yang, Ziyan Yang, Zhibei Ma, Zhijie Lin, Zhenheng Yang, Dahua Lin, Lu Jiang•Mar 13, 2025•142

PoseLess: Control Visión-a-Articulación sin Profundidad mediante Mapeo Directo de Imágenes con VLM
PoseLess: Depth-Free Vision-to-Joint Control via Direct Image Mapping with VLM

Alan Dao, Dinh Bach Vu, Tuan Le Duc Anh, Bui Quang Huy•Mar 10, 2025•32

"Silencioso no es realmente silencioso": Una investigación sobre la toxicidad en las discusiones de informes de errores
"Silent Is Not Actually Silent": An Investigation of Toxicity on Bug Report Discussion

Mia Mohammad Imran, Jaydeb Sarker•Mar 13, 2025•42

Una línea de base de ataque frustrantemente simple pero altamente efectiva: Más del 90% de tasa de éxito contra los modelos de caja negra robustos de GPT-4.5/4o/o1.
A Frustratingly Simple Yet Highly Effective Attack Baseline: Over 90% Success Rate Against the Strong Black-box Models of GPT-4.5/4o/o1

Zhaoyi Li, Xiaohan Zhao, Dong-Dong Wu, Jiacheng Cui, Zhiqiang Shen•Mar 13, 2025•32

4D LangSplat: 4D Language Gaussian Splatting mediante Modelos de Lenguaje Multimodales a Gran Escala
4D LangSplat: 4D Language Gaussian Splatting via Multimodal Large Language Models

Wanhua Li, Renping Zhou, Jiawei Zhou, Yingwei Song, Johannes Herter, Minghan Qin, Gao Huang, Hanspeter Pfister•Mar 13, 2025•322

Trazando y Navegando por el Atlas de Modelos de Hugging Face
Charting and Navigating Hugging Face's Model Atlas

Eliahu Horwitz, Nitzan Kurer, Jonathan Kahana, Liel Amar, Yedid Hoshen•Mar 13, 2025•796

¿Acaso me parezco a un `gato.n.01` para ti? Un Benchmark de Generación de Imágenes Taxonómicas
Do I look like a `cat.n.01` to you? A Taxonomy Image Generation Benchmark

Viktor Moskvoretskii, Alina Lobanova, Ekaterina Neminova, Chris Biemann, Alexander Panchenko, Irina Nikishina•Mar 13, 2025•112

Nuevas Tendencias en la Traducción Automática Moderna con Modelos de Razonamiento a Gran Escala
New Trends for Modern Machine Translation with Large Reasoning Models

Sinuo Liu, Chenyang Lyu, Minghao Wu, Longyue Wang, Weihua Luo, Kaifu Zhang•Mar 13, 2025•232