Fudan University（复旦大学）

CMDAR: A Chinese Multi-scene Dynamic Audio Reasoning Benchmark with Diverse Challenges

CMDAR：一个包含多样挑战的中文多场景动态音频推理基准

Hui Li, Changhao Jiang, Hongyu Wang, Ming Zhang, Jiajun Sun, Zhixiong Yang, Yifei Cao, Shihan Dou, Xiaoran Fan, Baoyu Fan, Tao Ji, Tao Gui, Qi Zhang, Xuanjing Huang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； IEIT Systems Co Ltd（IEIT系统有限公司） 纠错

AI总结 CMDAR是一个中文多场景动态音频推理基准，旨在评估模型在复杂音频推理任务中的表现，通过精心设计的问题-答案对和多样化音频片段，揭示现有音频语言模型在复杂推理任务中的局限性。

Comments 25 pages, 7 figures

Tree of Preferences for Diversified Recommendation

偏好树用于多样化推荐

Hanyang Yuan, Ning Tang, Tongya Zheng, Jiarong Xu, Xintong Hu, Renhong Huang, Shunyu Liu, Jiacong Hu, Jiawei Chen, Mingli Song

机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Hangzhou City University（杭州市大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出基于偏好树的多样化推荐方法，利用LLMs揭示用户未探索偏好，提升推荐多样性与相关性。

DiRL: An Efficient Post-Training Framework for Diffusion Language Models

DiRL：一种高效的扩散语言模型后训练框架

Ying Zhu, Jiaxin Wan, Xiaoran Liu, Siyang He, Qiqi Wang, Xu Guo, Tianyi Liang, Zengfeng Huang, Ziwei He, Xipeng Qiu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； OpenMoss Team（OpenMoss团队） 纠错

AI总结 DiRL是一种高效的扩散语言模型后训练框架，通过整合FlexAttention加速的分块训练与LMDeploy优化的推理，实现了高效的两阶段后训练，提升了在复杂推理任务如数学中的性能。