作者：InternLM、Qwen 等 LLM每日一览热门论文版，顶会投稿选题不迷惘。快来看看由「机智流」和「ModelScope」社区推荐的今日热门论文吧！

---

Feature-Level Insights into Artificial Text Detection with Sparse Autoencoders

论文链接：
https://modelscope.cn/papers/123418  

简要介绍：
由Skolkovo科技学院等机构提出的这项研究，聚焦于人工智能文本检测（ATD）的可解释性提升。利用Sparse Autoencoders（SAE）从Gemma-2-2b模型中提取特征，该工作揭示了现代大语言模型（LLM）与人类文本的差异，尤其是在信息密集领域，展现了独特的写作风格，为ATD提供了新的见解和方法。

核心图片：

---

SEAP: Training-free Sparse Expert Activation Pruning Unlock the Brainpower of Large Language Models

论文链接：
https://modelscope.cn/papers/125314  

简要介绍：
中国人民大学等团队提出了SEAP，一种无需训练的剪枝方法，通过选择性地保留与任务相关的参数，降低大语言模型推理成本。实验表明，SEAP在50%剪枝率下超越WandA和FLAP超20%，展现了高效性和可扩展性，为优化大规模LLM开辟了新路径。

核心图片：

---

MM-Eureka: Exploring Visual Aha Moment with Rule-based Large-scale Reinforcement Learning

论文链接：
https://modelscope.cn/papers/125149  

简要介绍：
上海AI实验室等机构推出了MM-Eureka，将基于规则的大规模强化学习（RL）扩展到多模态推理。该模型在多模态数学任务中展现了视觉“顿悟时刻”，数据效率远超传统方法，且开源了完整pipeline，推动了多模态推理研究。

核心图片：

---

Taking Notes Brings Focus? Towards Multi-Turn Multimodal Dialogue Learning

论文链接：
https://modelscope.cn/papers/125186  

简要介绍：
北京大学等团队提出了MMDiag数据集和DiagNote模型，旨在提升多模态大语言模型（MLLM）在多轮对话中的推理能力。受人类视觉处理启发，DiagNote通过“深思”和“注视”模块协同工作，显著提升了多模态信息整合能力。

核心图片：

---

Automated Movie Generation via Multi-Agent CoT Planning

论文链接：
https://modelscope.cn/papers/124513  

简要介绍：
新加坡国立大学Show Lab提出了MovieAgent，通过多智能体Chain of Thought（CoT）规划实现自动化电影生成。给定剧本和角色库，该框架能生成连贯的多场景长视频，显著减少人工干预，开创了电影生成新范式。

核心图片：

---

FedRand: Enhancing Privacy in Federated Learning with Randomized LoRA Subparameter Updates

论文链接：
https://modelscope.cn/papers/124596  

简要介绍：
由韩国研究团队开发的FedRand，通过随机选择LoRA子参数更新，增强了联邦学习（FL）的隐私保护。仅将非私有参数上传至服务器，该方法有效抵御成员推理攻击，同时保持高准确率。

---

EasyControl: Adding Efficient and Flexible Control for Diffusion Transformer

论文链接：
https://modelscope.cn/papers/124672  

简要介绍：
Tiamat AI等团队提出了EasyControl，为Diffusion Transformer（DiT）引入高效灵活的控制框架。通过轻量级LoRA模块和因果注意力机制，该方法提升了图像生成的效率和多样性，适用于多种应用场景。

核心图片：

---

FEA-Bench: A Benchmark for Evaluating Repository-Level Code Generation for Feature Implementation

论文链接：
https://modelscope.cn/papers/125249  

简要介绍：
微软亚洲研究院和北京大学合作推出了FEA-Bench，首个评估LLM在代码库级别增量开发能力的基准。基于83个GitHub仓库的PR数据，该基准揭示了LLM在特征实现任务中的挑战，推动了自动化软件工程研究。

核心图片：

---

AlphaDrive: Unleashing the Power of VLMs in Autonomous Driving via Reinforcement Learning and Reasoning

论文链接：
https://modelscope.cn/papers/124998  

简要介绍：
华中科技大学等团队提出了AlphaDrive，将强化学习（RL）和推理能力融入视觉-语言模型（VLM），优化自动驾驶规划。引入GRPO奖励和两阶段训练策略，该方法显著提升了规划性能和安全性。

核心图片：

---

SurveyForge: On the Outline Heuristics, Memory-Driven Generation, and Multi-dimensional Evaluation for Automated Survey Writing

论文链接：
https://modelscope.cn/papers/123886  

简要介绍：
上海AI实验室等机构推出了SurveyForge，通过启发式大纲生成和记忆驱动的内容优化，自动化生成高质量综述论文。搭配SurveyBench基准，该框架在结构和引用质量上超越了AutoSurvey等现有工作。

核心图片：

---

今热门论文推荐就到这里结束啦，这些论文展现了AI在文本检测、隐私保护、自动驾驶等领域的最新突破，每一项都值得深入探索。喜欢这期内容？别忘了点赞、分享和关注我们，明天见！🌟

-- 完 --

欢迎在「机智流」公众号后台回复「cc」，加入机智流大模型交流群，与我们一起探索 AI 与人类潜能的未来，一起共赴 AI 浪潮！