Causal Diffusion Transformers for Generative Modeling
字节的工作，作者发现，之前的ar生图基本都是把diffusion loss引进来，但是能不能像diffusion一样，让ar模型先生成模糊的图片，再慢慢生成清晰版本的呢？
Video Representation Learning with Joint-Embedding Pre- dictive Architectures
Lecun又带着他的世界模型回来了。这次是视频理解，之前好像出过图片理解的版本。
感觉谁在这个基础上搞个VLM，发现真比ViT-based好，大家就全切过来用了
SPaR: Self-Play with Tree-Search Refinement to Improve Instruction-Following in Large Language Models
黄老师的工作，之前有个方向是让模型做self-refine，自己该自己的错，下次生成得更好。如果让self-refine的过程组织成一棵树，每次refine好多次，每个refine又可以再refine好多次……最后是不是就能生成出来dpo数据了呢？作者试了一下这个方案生成的dpo训练，发现比正常的dpo数据效果更好。
ultrainteract的多轮版本？
