我们希望能够搭建一个AI学习社群，让大家能够学习到最前沿的知识，大家共建一个更好的社区生态。

「奇绩大模型日报」知识库现已登陆飞书官方社区：

https://www.feishu.cn/community/article/wiki?id=7355065047338450972

点击「订阅社区精选」，即可在飞书每日收到《大模型日报》每日最新推送

学术分析报告：ResearchFlow — 奇绩F23校友的开发的深度研究产品，PC端进入RFlow的分析报告，可直接点击节点右侧的小数字展开节点，登录后可在节点上直接“询问AI”，进一步探索深度信息

如果想和我们空间站日报读者和创作团队有更多交流，欢迎扫码。

欢迎大家一起交流！

信号

ProTracker: Probabilistic Integration for Robust and Accurate Point Tracking

本文提出了 ProTracker，这是一种用于对视频中的任意点进行稳健且准确的长期密集跟踪的新颖框架。方法的关键思想是结合概率集成来细化来自光流和语义特征的多个预测，以实现稳健的短期和长期跟踪。具体而言，以概率方式集成光流估计，通过最大化每个预测的可能性来产生平滑而准确的轨迹。为了有效地重新定位由于遮挡而消失和重新出现的具有挑战性的点，进一步将长期特征对应关系纳入流量预测中以进行连续轨迹生成。大量实验表明，ProTracker 在无监督和自监督方法中实现了最佳性能，甚至在多个基准测试中优于监督方法。

https://michaelszj.github.io/protracker/

ResearchFlow链接：https://rflow.ai/flow/44eb135b-0839-42e7-b13e-913c5968616d

rStar-Math: Small LLMs Can Master Math Reasoning with Self-Evolved Deep Thinking

本文提出 rStar-Math 来证明小型语言模型 (SLM) 可以与 OpenAI o1 的数学推理能力相媲美甚至超越它，而无需从优秀模型中进行提炼。rStar-Math 通过蒙特卡洛树搜索 (MCTS) 进行“深度思考”来实现这一点，其中数学策略 SLM 在基于 SLM 的过程奖励模型的指导下执行测试时搜索。rStar-Math 引入了三项创新来应对训练两个 SLM 的挑战：(1) 一种新颖的代码增强 CoT 数据合成方法，该方法执行广泛的 MCTS 部署以生成用于训练策略 SLM 的经过验证的逐步推理轨迹；(2) 一种新颖的过程奖励模型训练方法，避免了简单的步骤级分数注释，从而产生了更有效的过程偏好模型 (PPM)；(3) 一种自我进化配方，其中从头开始构建策略 SLM 和 PPM 并迭代进化以提高推理能力。通过 4 轮自我进化，rStar-Math 为 747,000 道数学题合成了数百万个解决方案，将 SLM 的数学推理能力提升到了最先进的水平。在 MATH 基准测试中，它将 Qwen2.5-Math-7B 从 58.8% 提高到 90.0%，将 Phi3-mini-3.8B 从 41.4% 提高到 86.4%，分别比 o1-preview 高出 +4.5% 和 +0.9%。在美国数学奥林匹克竞赛 (AIME) 上，rStar-Math 平均解答率为 53.3% (8/15)，跻身最聪明的高中数学学生的前 20%。