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」社区推荐的今日论文吧。

When Less is Enough: Adaptive Token Reduction for Efficient Image Representation

论文链接：

https://modelscope.cn/papers/2503.16660

简要介绍：

由 AIRI 和 MIPT 等机构提出的这项工作，聚焦于视觉编码器生成的大量视觉 token 如何在保持高质量表征的同时减少计算成本。他们提出了一种自适应 token 削减方法，通过结合自编码器和 Gumbel-Softmax 选择机制，筛选出最具信息量的 token。实验表明，在 OCR 任务中可削减超 50% 的视觉上下文而不损失性能，为高效多模态推理开辟了新方向。

核心图片：

---

MAPS: A Multi-Agent Framework Based on Big Seven Personality and Socratic Guidance for Multimodal Scientific Problem Solving

论文链接：

https://modelscope.cn/papers/2503.16905

简要介绍：

来自西安交通大学、新加坡国立大学等机构的团队推出了 MAPS 框架，基于“大七人格理论”和苏格拉底引导法，解决多模态科学问题（MSPs）。通过七个功能独特的代理和四阶段解题策略，外加“批判者”代理的反思机制，该方法在 EMMA、Olympiad 等数据集上超越 SOTA 模型 15.84%，展现了强大的跨模态推理能力。

核心图片：

---

MARS: A Multi-Agent Framework Incorporating Socratic Guidance for Automated Prompt Optimization

论文链接：

https://modelscope.cn/papers/2503.16874

简要介绍：

由西安交通大学、南洋理工大学等团队打造的 MARS 框架，针对自动提示优化（APO）的灵活性和搜索效率问题，提出了多代理融合技术。通过七个代理协作和“教师-批判者-学生”的苏格拉底对话模式，逐步优化提示，在多个数据集上验证了其高效性和可解释性。

核心图片：

---

RoboFactory: Exploring Embodied Agent Collaboration with Compositional Constraints

论文链接：

https://modelscope.cn/papers/2503.16408

简要介绍：

香港中文大学（深圳）、上海人工智能实验室等机构提出了 RoboFactory，探索多代理协作中的具身智能。通过引入“组合约束”（逻辑、空间、时间），设计了自动数据收集框架并推出首个多代理操作基准。基于模仿学习的测试表明，该方法在安全性与效率上表现优异。

核心图片：

---

Bridging Continuous and Discrete Tokens for Autoregressive Visual Generation

论文链接：

https://modelscope.cn/papers/2503.16430

简要介绍：

香港大学、字节跳动等团队提出了 TokenBridge，解决自回归视觉生成中离散与连续 token 的两难问题。通过训练后量化和维度级预测策略，该方法保留了连续 token 的表征能力，同时保持离散 token 的建模简洁性，在 ImageNet 上实现了高质量生成。

核心图片：

---

OpenVLThinker: An Early Exploration to Complex Vision-Language Reasoning via Iterative Self-Improvement

论文链接：

https://modelscope.cn/papers/2503.17352

简要介绍：

加州大学洛杉矶分校团队推出了 OpenVLThinker，通过迭代自改进增强大型视觉-语言模型的复杂推理能力。结合监督微调和强化学习，该模型在 MathVista 等基准上表现持续提升，展示了从文本到多模态推理的潜力。

核心图片：

---

Modifying Large Language Model Post-Training for Diverse Creative Writing

论文链接：

https://modelscope.cn/papers/2503.17126

简要介绍：

Midjourney 和纽约大学团队研究了如何在后训练中提升 LLM 的创意写作多样性。他们通过引入“偏差”到训练目标（如 DPO 和 ORPO），在保持高质量输出的同时显著提升多样性，最佳模型媲美 GPT-4o 和 DeepSeek-R1。

核心图片：

---

TaoAvatar: Real-Time Lifelike Full-Body Talking Avatars for Augmented Reality via 3D Gaussian Splatting

论文链接：

https://modelscope.cn/papers/2503.17032

简要介绍：

阿里巴巴团队提出了 TaoAvatar，利用 3D 高斯 splatting 技术打造实时全息说话头像。通过轻量化 MLP 网络和混合形状补偿，该方法在 AR 设备上实现 90 FPS 的高质量渲染，适用于电商直播等场景。

核心图片：

---

MathFlow: Enhancing the Perceptual Flow of MLLMs for Visual Mathematical Problems

论文链接：

https://modelscope.cn/papers/2503.16549

简要介绍：

浙江大学、清华大学等团队推出了 MathFlow，针对多模态 LLM 在视觉数学问题中的感知瓶颈，提出了解耦感知与推理的管道。训练的 MathFlow-P-7B 模型显著提升了信息提取能力，与多种推理模型兼容表现出色。

核心图片：

---

A Comprehensive Survey on Long Context Language Modeling

论文链接：

https://modelscope.cn/papers/2503.17407

简要介绍：

南京大学、北京大学等机构联合撰写的综述，全面回顾了长上下文语言模型（LCLMs）的最新进展。从数据策略到架构设计，再到训练部署与评估，为研究者和工程师提供了宝贵资源。

核心图片：

---

今天的论文盘点是不是让你脑洞大开？从高效 token 削减到多代理协作，再到实时 AR 头像，每篇研究都在推动 AI 的边界。别忘了点赞收藏，明天还有更多前沿技术等你探索！🚀✨

-- 完 --