图像生成迎来CoT时刻！港中文首次提出文生图的o1推理和inference scaling新范式！
香港中文大学、北京大学和上海AI Lab的研究者提出了一种结合思维链推理的新方法来提升自回归图像生成的质量和文本一致性，显著提高了图像生成的性能。
北京大学
新范式，自回归大一统！北大提出VARGPT：单一框架实现视觉「理解」与「生成」
北大团队提出VARGPT模型，通过单一自回归框架实现视觉理解与生成。其创新设计包括引入视觉解码器、多尺度图像分词器和特征投影器，并采用三阶段训练策略优化性能。
化解机器人的「幻觉」：北大发布OmniManip，VLM结合双闭环系统，3D理解能力大幅提升
北大师生团队提出OmniManip架构，通过双闭环系统实现VLM到机器人的泛化操作。关键设计包括基于物体的交互基元、循环规划和执行，显著提升性能，适用于多种真实任务。
2025 年 Next Token Prediction 范式会统一多模态吗？
本文介绍了多模态领域基于Next Token Prediction的最新进展，包括Tokenization技术、模型架构设计、训练方法与推理策略等，并提出了四个亟待解决的挑战。
北大数学校友胡懿娟归国任教！重回母校，专注于统计学、微生物学和遗传学的交叉领域
北大数学系校友胡懿娟回国后将继续专注于统计学、微生物学和遗传学的交叉领域。她毕业于北京大学，并在美国攻读博士学位。目前，她在北京大学北京国际数学研究中心担任教授。胡懿娟认为开放自由的工作环境对她的研究和人才培养都有益处。
微软联合清北推出rStar-Math技术，数学推理能力赶超OpenAI o1
微软发布rStar-Math技术，让小型语言模型具备深度思考能力。通过蒙特卡罗树搜索方法，该技术在多个开源模型测试中取得了显著提升，甚至超越了OpenAI的o1-preview系统。
北大开源首个针对视频编辑的新指标，与人类感知高度对齐｜AAAI25
北京大学MMCAL团队开发了首个用于视频编辑质量评估的新指标VE-Bench，并通过丰富且符合人类主观感受的数据集进行训练。该指标将视频的整体效果分成多个维度进行综合评价，包括文字-目标一致性、参考源与目标的关系、技术畸变和美学标准等多个方面。
创新！腾讯、北大、清华、港大联合开源BrushEdit，通过提示词AI自动完美修改编辑图片。
今天推荐的BrushEdit是由北京大学、腾讯、中国香港大学和清华大学联合发布的开源项目，其通过双分支修复模型实现基于提示词的图像编辑功能。