ViSpeak: Visual Instruction Feedback in Streaming Videos
这个工作很有趣，作者发现在流式视频模型里，除了问答场景之外，还应该开发更多可能，让instruction也脱离语言模态。比如说，我挥挥手，意思是再见，模型能不能理解？
Unified Autoregressive Visual Generation and Understanding with Continuous Tokens
这两天gemini 2的原声双模态生成刚火了一波，今天deepmind就出了个双模态生成模型，这个是基于gemma训的。不知道这俩有没有关系
好家伙，小号开源大号商用……这不字节吗
EXAONE Deep: Reasoning Enhanced Language Models
一个r1-like的工作：不错的分数，开源的模型。就是不知道刷榜严重不严重，感觉未来半年这种工作会越来越多。
Training Video Foundation Models with NVIDIA NeMo
Nvidia最近似乎一直在做这个Video Foundation Model的概念，上次出了个模型，这次把训练框架单独出了。
