有种微妙的感觉，似乎最近大家变得越来越接近AGI了…难道是因为NeruIPS论文开始往外挂了？
Image Understanding Makes for A Good Tokenizer for Image Generation
字节的工作，作者发现VAE中的encoder，做出来的词表作为image generation的输入，可以促进图像生成的水平
Analyzing The Language of Visual Tokens
很有趣的工作！大家都知道目前VLM基本都是把图片编码成多个token丢给LLM，那么。这些token本身会不会形成语言呢？作者做了很多分析，得出了好玩的结论
ReCapture: Generative Video Camera Controls for User-Provided Videos using Masked Video Fine-Tuning
前几天pika搞了个 camera-control，今天学术复刻版就出来了。可以输入一个原视频，然后生成一个你想要的分镜的版本
Scaling Laws for Pre-training Agents and World Models
名字够狂，再一看：microsoft research。作者讨论的是，在今天很火的agent-sft和world-modelling这两个领域，是否存在数据、模型参数的scaling law，进而套用chinchilla那套compute optimal理论呢？作者发现还真是
有公式做题就是快……
Vision Language Models are In-Context Value Learners
deepmind的工作，前几天字节有个工作发现autoregressive image generation中，把patch顺序做shuffle有正面影响（Randomized Autoregressive Visual Generation）。今天deepmind搞了个新东西？如果把视频中的帧打乱，让一个value model通过Autoregressive的方式预测每一帧原来的视频时间呢？作者认为这是一个in-context的过程，随着给的图片越来越多，模型在context中学习到了任务
很有意思！因为视频帧恰好具有独特性，基本上不会找到相同的两个帧……所以，这是小学的选词造句对吧，但是只能看一遍
HourVideo: 1-Hour Video-Language Understanding
李飞飞的工作，作者设计了一万到题，都是20min-120min的视频，涉及到视频理解的放放面面。
感觉最近很多人都搞了类似的东西，这个时候可能就是比谁名气大了……
Few-Shot Task Learning through Inverse Generative Modeling
一篇挺怪的动作，作者认为，已有的agent policy model可以给出concept去生成动作。如果我已经有了policy，在没见过的concept的demonstration上反过来求梯度，能不能生成对应的concept呢？
有点怪，主要是，这件事依赖于有unseen concept的demonstration,什么时候会这样呢？
