SeedEdit: Align Image Re-Generation to Image Editing
字节的工作，主要做image editing的任务：用一个自然语言的修图指令，就可以对图片做微调。作者认为在这个任务里有两个关键点，一个是模型能不能遵循指令，另一个是模型能不能生成和原图一样的图片。
Moving Off-the-Grid: Scene-Grounded Video Representations
作者提到，目前的VLM或者CV模型，都是把图片的空间信息编码到固定的token上，叫做on-the-grid。这会导致模型给特定的patch学到特定的含义（比如太阳总会出现在上面的patch里）。由此，作者设计了一套off-the-grid的方案，可以提升图像embedding的鲁棒性和质量
I2VControl-Camera: Precise Video Camera Control with Adjustable Motion Strength
上周出了个pika camera-control的复刻版，这周又来了个复刻版，感觉这个方向变得火了起来。
说回来，video generation camera-control和GameNGen那种生成游戏画面，感觉都是给视频生成多了个输入维度，但是在不同的场景……不知道有没有人做个多场景统一的camera-control出来
Is Your LLM Secretly a World Model of the Internet? Model-Based Planning for Web Agents
一个挺有趣的GUI Agent工作，作者思考了一个问题：模型能不能设想一个action结果是什么呢？如果可以的话，让模型在自己的思考空间做推理，然后选择自己打分高的设想，去真的执行会怎样？作者把这个方案叫做webDreamer，发现还真能在online环境里提分
Stronger Models are NOT Stronger Teachers for Instruction Tuning
作者提到，目前的SFT数据，主要就是找一个比较牛的模型在一堆instruction上sample response，再丢给小模型学。然而这里面有个关键的假设：强的模型标的数据，训出来的小模型就会更强。
作者做了一大堆实验，发现竟然不是这样？
为什么呢，难道真有 knowledge boundary的说法？
