作者：InternLM、Qwen 等 LLM每日一览热门论文版，顶会论文投稿选题不迷惘。快来看看「机智流」和「ModelScope」社区推荐的热门论文吧！
作者：InternLM、Qwen 等 LLM每日一览热门论文版，顶会论文投稿选题不迷惘。快来看看「机智流」和「ModelScope」社区推荐的热门论文吧！
CoSTAast: Cost-Sensitive Toolpath Agent for Multi-turn Image Editing
论文链接：
https://huggingface.co/papers/2503.10613
简要介绍：
由马里兰大学团队提出的CoSTA*，针对多轮图像编辑任务设计了一种成本敏感的工具路径代理。该工作结合大语言模型（LLM）的子任务规划与A搜索算法，构建了一个高效的工具选择路径，不仅降低了计算成本，还提升了图像编辑质量。通过视觉语言模型评估子任务输出，CoSTA能在失败时快速调整路径，并在全新多轮图像编辑基准测试中超越现有最佳模型。
核心图片：
Transformers without Normalization
论文链接：
https://modelscope.cn/papers/126286
简要介绍：
由Meta FAIR、NYU等团队联手推出的这项研究，挑战了规范化层在Transformer中的必要性。他们提出了Dynamic Tanh（DyT），一种简单操作替代规范化层，不仅保持甚至提升了模型性能，还无需过多超参数调整。实验验证了DyT在视觉与语言任务中的广泛适用性，为神经网络设计提供了新思路。
核心图片：
Charting and Navigating Hugging Face's Model Atlas
论文链接：
https://huggingface.co/papers/2503.10633
简要介绍：
耶路撒冷希伯来大学团队打造了Hugging Face模型图谱，试图为数百万公开神经网络绘制导航蓝图。该工作通过可视化模型演化与趋势，预测模型属性，并在未文档区域利用结构先验填补空白，为大规模模型库研究提供了新工具与数据集。
核心图片：
World Modeling Makes a Better Planner: Dual Preference Optimization for Embodied Task Planning
论文链接：
https://modelscope.cn/papers/126368
简要介绍：
复旦大学等机构提出的D²PO，通过双重偏好优化联合训练状态预测与动作选择，提升了大型视觉语言模型在实体任务规划中的能力。结合树搜索机制自动收集数据，该方法在VoTa-Bench上显著超越GPT-4o，展现了更高的成功率与执行效率。
核心图片：
Silent Branding Attack: Trigger-free Data Poisoning Attack on Text-to-Image Diffusion Models
论文链接：
https://modelscope.cn/papers/126588
简要介绍：
KAIST团队揭示了文本到图像扩散模型的新漏洞，提出了“无声品牌攻击”。通过在训练数据中隐秘注入品牌标志，该方法让模型在无触发词的情况下生成含标志的图像，成功率高且不影响图像质量，引发了对数据安全的深思。
核心图片：
CoRe^2: Collect, Reflect and Refine to Generate Better and Faster
论文链接：
https://modelscope.cn/papers/126707
简要介绍：
香港科技大学（广州）团队推出的CoRe²，通过“收集-反思-精炼”三阶段范式，提升了文本到图像生成的速度与质量。该方法适用于多种扩散模型与自回归模型，在多项基准测试中表现优异，且与Z-Sampling集成时进一步提升性能。
核心图片：
GoT: Unleashing Reasoning Capability of Multimodal Large Language Model for Visual Generation and Editing
论文链接：
https://modelscope.cn/papers/126628
简要介绍：
香港中文大学等团队提出了Generation Chain-of-Thought（GoT），通过语言推理链指导图像生成与编辑。结合Qwen2.5-VL与新型语义-空间引导模块，该框架在生成质量与编辑精度上均有突破，并支持交互式调整，开启了推理驱动视觉合成的新方向。
核心图片：
VisualPRM: An Effective Process Reward Model for Multimodal Reasoning
论文链接：
https://modelscope.cn/papers/126372
简要介绍：
上海AI实验室等机构开发的VisualPRM，一个8B参数的多模态过程奖励模型，通过Best-of-N策略提升了MLLM的推理能力。搭配VisualPRM400K数据集与VisualProcessBench基准，该模型在七个推理任务中表现出色，甚至对InternVL2.5-78B也有显著提升。
核心图片：
OmniPaint: Mastering Object-Oriented Editing via Disentangled Insertion-Removal Inpainting
论文链接：
https://modelscope.cn/papers/125491
简要介绍：
罗切斯特大学与Adobe Research合作推出的OmniPaint，将对象移除与插入视为相互依存的过程。通过CycleFlow训练与全新CFD指标，该框架实现了高保真编辑，保留场景几何与物理效应，成为对象导向编辑的新标杆。
核心图片：
Shifting Long-Context LLMs Research from Input to Output
论文链接：
https://modelscope.cn/papers/123598
简要介绍：
由清华大学等团队倡议的研究转向，强调长输出生成在LLM中的重要性。该文指出当前研究过于聚焦输入处理，忽略了长篇写作、规划等任务的需求，呼吁开发专为高质量长输出设计的模型，潜力巨大。
核心图片：
