本集我们来看 2025 年第 25 周技术阅读汇总的学术研究部分。这些文章探讨了人工智能在自动驾驶、机器人感知、代码生成、多模态处理和图像视频编辑等前沿领域的最新进展。它们介绍了多种创新方法，例如将二维视觉信息提升至三维进行自动驾驶目标检测、在压缩点云中进行三维目标检测以实现远程驾驶，以及利用场景中心控制提升世界模型对未来环境的预测能力。此外，资料还讨论了通过线性化解决复杂旋转估计问题的新范式、构建全向多摄像机对象级 SLAM 系统以增强机器人环境理解，以及利用扩散模型和文本提示提升图像文本修复的准确性。最后，还有一项研究提出了混合注意力架构的大型语言模型，旨在提高长文本处理的效率和代码生成能力，并发布了首个对标 GPT-4o 的多模态开源模型。

时间轴：

00:00 开篇介绍：深入剖析技术前沿

01:15 Vision-Lift: 以 2D CNN 高效实现纯视觉 3D 目标检测的升维之道

09:59 延迟还是带宽？远程驾驶 3D 感知中的 G-PCC 与 Draco 路线之争

13:43 ULOPS: 驾驭不确定性——开放世界 LiDAR 感知的新思路

20:27 FMs for AD Scenarios: 破解长尾困境，基础模型如何驱动自动驾驶场景测试与验证

30:19 COME: 解开运动与演化的“死结”，ControlNet 重定义 4D 占用预测37:41 NetRoller: 连接大语言模型与自动驾驶的低延迟异步接口

41:02 旋转估计的线性重构：基于四元数圆的几何与投票方法

48:23 MCOO-SLAM: 融合多目全向感知与开放词汇的下一代室外物体 SLAM 框架

55:23 MiniMax-M1: 让 AI“想得更久、算得更快”的效率革命

01:00:40 LiveCodeBench Pro: 精准的“实现”与贫瘠的“洞察”——解构 LLM 在算法推理上的认知鸿沟

01:04:16 TTI: 让 AI 智能体更聪明，我们该依靠“深度思考”还是“有效行动”？

01:08:50 UUV-AEO: 通过主动姿态控制增强水下目标 6D 状态估计的可观测性

01:09:43 不止看清，更要读对：TeReDiff 如何修复图像中的模糊文字

01:17:17 JAFAR: 以任意分辨率“激活”任意特征，视觉基础模型的终极“高清放大器”

01:21:11 总结与展望：在性能与可控性之间寻求平衡

完整文章见⁠2025 年第 25 周技术阅读汇总⁠。

SP08｜2025年第25周技术阅读汇总（二）

Gradient Descent Reads