نمایه اچ (h-index) من در #اسکاپوس به 42 رسید! هدف این توییت این است نکاتی که برای افزایش شانس دریافت ارجاع برای کارهای پژوهشی و #مقالات مان میتوانیم انجام دهیم را براساس تجربیات خودم بنویسم: 1- رمز اصلی موفقیت من این است که افراد بزرگ در زمینه کاری خودم را دنبال می کنم و می بینم این افراد چه زمینه های کاری ای دارند، چه مسایلی را حل می کنند و به اصطلاح ترند علمی در زمینه تخصصی خودم چه موضوعاتی است و سعی می کنم روی همان موضوعات تمرکز کنم. این موضوعات با توجه به روز بودن (مانند #یادگیری_ماشین) و مورد توجه افراد سرشناس قرار داشتن، می تواند کمک کند کار پژوهشی من هم در مرکز توجه دیگران قرار بگیرد و پیشرو باشد. مخصوصا کارهایی که این افراد در کنفرانسها ارائه می کنند و هنوز در جورنال منتشر نشده است بسیار مهم هستند. اگر آنها به صورت تجربی کاری را انجام می دهند و من امکانات تجربی ندارم، همان کار را به صورت عددی انجام می دهم. 2- در کنار پیگیری فعالیت دیگران، روشهای منحصر به فرد و الگوریتمهای عددی مختص گروه خودم را هم توسعه می دهم تا در زمینه های مشخصی مرجع باشم. نتایج بسیار دقیق تولید می کنم که دیگران برای اعتبارسنجی کار خودشان، نتایجشان را با من مقایسه کنند (مرجع علمی می شوم!). 3- هندسه ها و مسایل بسیار عجیب و پیچیده ای را مدل نمی کنم! اگر کار شما خیلی خیلی منحصر به فرد باشد دیگران سراغ آن نمی روند و به آن ارجاع نمی دهند. ایده های خودم را روی مسایل استاندارد که اصطلاحا "سنگ محک (benchmark) نامیده می شوند پیاده می کنم. 4- مشورت با بزرگان: به غولهای علمی در زمینه خودم ایمیل می زنم، از آنها سوال می پرسم و برای رفع مشکلاتم کمک علمی می گیرم. این باعث می شود کارهای علمی ام کیفیت بالاتری داشته باشند. 5- ایده های نابی دارم که در پی سالها تدریس، خواندن کتب درسی و داوری مقالات بدست آمده است. مثلا زمانی که دانشجوی کارشناسی ارشد بودم کد عددی ای که داشتم جریان لمینار را حل می کرد. وقتی با نرم افزار اپن فم آشنا شدم یکی از اولین دانشجویان ارشدم را روی حل جریان آشفته با رهیافت شبیه سازی گردابه های بزرگ روی همان مسایل تز کارشناسی ارشد خودم گذاشتم و یک کار ماندگار خلق کردیم که هنوز هم ارجاع می خورد. 6- به ایمیلها و درخواستهای دریافت فایل مقالاتم در ریسرچ گیت پاسخ می دهم (درصد پاسخگویی: 100%)! خوشحال می شوم شما هم اگر راهکارهای موفقی برای بیشتر دیده شدن مقالات علمی دارید در زیر این توییت بنویسید. #مقاله #ارجاع #تولید_علم #مرجعیت_علمی

1- توییت زدن و تبادل اطلاعات با دیگران، برای من بسیار آموزنده است. در زیر این توییت بنده، دکتر نادر آل ابراهیم (@aleebrahim ) مقالات بسیار مفیدی از خودشان را معرفی کردند که بنده در این چند روز مطالعه کردم و خلاصه ای از نکات آنها برای دریافت ارجاعات بیشتر را می نویسم: الف- مقالات حاصل از همکاری بین‌المللی به‌طور معنی‌دار استناد بیشتری دارند: میانگین هندسی استناد به مقاله: مقاله با نویسندگان بین‌المللی: 6.3- مقاله با نویسندگان ملی: 5.13- نویسندگان محلی (یک دانشگاه/یک کشور): 4.14. چرا؟ همکاری‌های بین‌المللی بیشتر روی فناوری‌های جدید تمرکز دارند: #هوش_مصنوعی، #یادگیری_ماشین، #کلان‌داده، #شبکه‌های_اجتماعی در مقابل، همکاری‌های داخلی بیشتر روی موضوعات سنتی و تثبیت‌شده متمرکزند! 2- مقالاتی که در یک نشریه رد (reject) می شوند و سپس در نشریه دیگری منتشر می شوند استنادات بیشتری دریافت می کنند، زیرا در طی فرآیند داوری بهبود یافته اند! یعنی خرد جمعی در آنها اعمال شده است لذا قوی تر شده اند. این را خود بنده نیز به تجربه دریافت کرده ام. 3- آرشیو کردن مقالات در مخازن دانشگاهی در رشد ارجاع به آن مقاله موثر است (توجه کنید که کپی رایت نقض نشود، یعنی نسخه نهایی مقاله منتشر شده را در مخزن بارگذاری نکنید). نمونه: زمانی که بنده در #فردوسی_مشهد بودم مقالاتم را در مخزن فردوسی بارگذاری می کردم: https://t.co/xXay13lvoi در یو-مس هم فعالیت مشابهی انجام می دهم https://t.co/nnWooMZb90 4- اطلاع رسانی آنلاین در مورد مقاله در پلتفرمهایی مانند #لینکدین

Here's a link to the full paper for more details https://t.co/3eDZ7zNXyD. Thanks to @dhanya_sridhar, @alexandredrouin, and @haldaume3 for one of the best collaboration experiences!!! https://t.co/obICoZNWAa

📚 AI Native Daily Paper Digest - 2025-12-05🌟 Follow @AINativeF for the latest insights on AI Native. Covering AI research papers from Hugging Face, featured in the image. 💡 Stay updated with the latest research trends and dive deep into the future of AI! 🚀 #AI #HuggingFace #AIPaper #AINative #AINF — Appendix: Today's AI research papers — 1. DAComp: Benchmarking Data Agents across the Full Data Intelligence Lifecycle 2. Live Avatar: Streaming Real-time Audio-Driven Avatar Generation with Infinite Length 3. Nex-N1: Agentic Models Trained via a Unified Ecosystem for Large-Scale Environment Construction 4. ARM-Thinker: Reinforcing Multimodal Generative Reward Models with Agentic Tool Use and Visual Reasoning 5. Reward Forcing: Efficient Streaming Video Generation with Rewarded Distribution Matching Distillation 6. Semantics Lead the Way: Harmonizing Semantic and Texture Modeling with Asynchronous Latent Diffusion 7. PaperDebugger: A Plugin-Based Multi-Agent System for In-Editor Academic Writing, Review, and Editing 8. DynamicVerse: A Physically-Aware Multimodal Framework for 4D World Modeling 9. 4DLangVGGT: 4D Language-Visual Geometry Grounded Transformer 10. UltraImage: Rethinking Resolution Extrapolation in Image Diffusion Transformers 11. Model-Based and Sample-Efficient AI-Assisted Math Discovery in Sphere Packing 12. Splannequin: Freezing Monocular Mannequin-Challenge Footage with Dual-Detection Splatting 13. SIMA 2: A Generalist Embodied Agent for Virtual Worlds

7. PaperDebugger: A Plugin-Based Multi-Agent System for In-Editor Academic Writing, Review, and Editing 🔑 Keywords: PaperDebugger, Large Language Models, LaTeX editors, In-editor interaction, Revision pipelines 💡 Category: AI Systems and Tools 🌟 Research Objective: - To develop an in-editor academic writing assistant (PaperDebugger) that embeds large language models directly into LaTeX editors for enhanced document management and interaction. 🛠️ Research Methods: - Integration of AI-powered reasoning into writing environments using a Chrome-approved extension, Kubernetes-native orchestration, and a Model Context Protocol toolchain supporting literature search and fine-grained document operations. 💬 Research Conclusions: - The PaperDebugger demonstrates the practicality and effectiveness of in-editor interactions, showcasing active user engagement and validating its utility as a minimal-intrusion AI writing assistant. 👉 Paper link: https://t.co/jQ2moR95E2

📚 AI Native Daily Paper Digest - 2025-12-08🌟 Follow @AINativeF for the latest insights on AI Native. Covering AI research papers from Hugging Face, featured in the image. 💡 Stay updated with the latest research trends and dive deep into the future of AI! 🚀 #AI #HuggingFace #AIPaper #AINative #AINF — Appendix: Today's AI research papers — 1. TwinFlow: Realizing One-step Generation on Large Models with Self-adversarial Flows 2. EditThinker: Unlocking Iterative Reasoning for Any Image Editor 3. From Imitation to Discrimination: Toward A Generalized Curriculum Advantage Mechanism Enhancing Cross-Domain Reasoning Tasks 4. EMMA: Efficient Multimodal Understanding, Generation, and Editing with a Unified Architecture 5. PaCo-RL: Advancing Reinforcement Learning for Consistent Image Generation with Pairwise Reward Modeling 6. Entropy Ratio Clipping as a Soft Global Constraint for Stable Reinforcement Learning 7. SCAIL: Towards Studio-Grade Character Animation via In-Context Learning of 3D-Consistent Pose Representations 8. Joint 3D Geometry Reconstruction and Motion Generation for 4D Synthesis from a Single Image 9. COOPER: A Unified Model for Cooperative Perception and Reasoning in Spatial Intelligence 10. RealGen: Photorealistic Text-to-Image Generation via Detector-Guided Rewards 11. ReVSeg: Incentivizing the Reasoning Chain for Video Segmentation with Reinforcement Learning 12. SpaceControl: Introducing Test-Time Spatial Control to 3D Generative Modeling 13. World Models That Know When They Don't Know: Controllable Video Generation with Calibrated Uncertainty

Recently, I was wondering how neural retrievers would perform when trained only based on LLM-revised corpora and queries. Today, I came across this very insightful paper at @ACMSIGIR_AP by @dev_nakachi and @cyby that answers exactly that. 📝Paper: https://t.co/nX4oYHf5f6 https://t.co/Uu03M82sP4

I want to read your paper about indigeneity in Enstars, where do I find it? / gen — It's in this Tweet! https://t.co/UKSZnMYswH https://t.co/v8pqBEtL43

+1 more

An accompanying News & Views by Dinghao Wang and Qingrun Zhang is available for this paper! https://t.co/EcmN1Krd3J 🔓https://t.co/gNd669rmGD

📚 AI Native Daily Paper Digest - 2025-12-09🌟 Follow @AINativeF for the latest insights on AI Native. Covering AI research papers from Hugging Face, featured in the image. 💡 Stay updated with the latest research trends and dive deep into the future of AI! 🚀 #AI #HuggingFace #AIPaper #AINative #AINF — Appendix: Today's AI research papers — 1. Native Parallel Reasoner: Reasoning in Parallelism via Self-Distilled Reinforcement Learning 2. Beyond Real: Imaginary Extension of Rotary Position Embeddings for Long-Context LLMs 3. Unified Video Editing with Temporal Reasoner 4. Voxify3D: Pixel Art Meets Volumetric Rendering 5. Scaling Zero-Shot Reference-to-Video Generation 6. DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems 7. EgoEdit: Dataset, Real-Time Streaming Model, and Benchmark for Egocentric Video Editing 8. Distribution Matching Variational AutoEncoder 9. Relational Visual Similarity 10. Multi-view Pyramid Transformer: Look Coarser to See Broader 11. UnityVideo: Unified Multi-Modal Multi-Task Learning for Enhancing World-Aware Video Generation 12. LongCat-Image Technical Report 13. On the Interplay of Pre-Training, Mid-Training, and RL on Reasoning Language Models

🚀 Qwen3-Omni-Flash just got a massive upgrade (2025-12-01 version) ! What's improved: 🎙️ Enhanced multi-turn video/audio understanding - conversations flow naturally ✨ Customize your AI's personality through system prompts (think roleplay scenarios!) 🗣️ Smarter language handling + rock-solid support: 119 text languages | 19 speech 😊 Voices indistinguishable from humans Try it now: 🎙️ Qwen Chat: click the VoiceChat and VideoChat button (bottom-right): https://t.co/nnAW9ZfRet 📝 Blog: https://t.co/tDJuwihR8G 🎧 Demo: https://t.co/jIMY3KrLqI 🎧 Demo: https://t.co/L5ZgW6you0 ⚡ Realtime API： https://t.co/5roEkb3Azv 📥 Offline API： https://t.co/p06cDV8pc5

+1 more

Imagine measuring a personal assistant’s ability by asking them to write emails without using the letter "c" or any commas. Crazy, right? But that’s exactly what many instruction-following benchmarks are designed to test. Here’s a real example: https://t.co/zt1xe7kZt9

@Jacobsklug @Lovable You should checkout https://t.co/wCUGHijxku the missing product manager for lovable.

Big boost to most active handles they connect back: 🚀 🚀 @tracott01 @donniegirl73 @KwabenaKissi28 @AlexRahLUA @footyoutlaw @DEPROFUG @QT9277 @dyatlov75 @jide_38II @Davevin390159 @SwiftDaChef @FreeMind1295910 @Hamidhaj101 @alex_crypto98 @novaaaASF @PMooreTrades @Yushy696 @God1625181 @HAYKINS115 @InterestingSci1 @Br0wnmoose @Baxcashsol @Kianoustral @ForbsMetaX @dave_watches @crypt_kingpin @Temy40 @sheyhunbabz @LandoInvests @copingnbuilding @Joe_Lincoln @Narciissus_ @ExaminerTrend45 @0xCaptan @pauljimmyl73306 @VincentiusOnX @en_ricoeur @Beaaar @_sgi113 @Kigbu12 @donniegirl73 @YanaHeat @LateefBaloch07 @caljamie14 @Mikibalu1 @activateboi201 @SafahBashir @XRPSpalding @kanza__Bukhari @Chrisxy24 Let’s grow together

Today, we’re launching Emergency Live Video, a new way to show emergency responders what you're seeing when you call for help. Learn more ⬇️ https://t.co/39CMxPENpJ

The @LeRobotHF prize: Graph-based Cost Learning and Gemma 3n for Sensing This novel “scanning-time-first” pipeline built on the LeRobot framework from @huggingface addresses the major bottleneck of sensing time in robotic exploration. This approach shows the potential of Gemma 3n for autonomous search-and-rescue, inspection, and more.

Presented to you in roughly the order they came into our lives, let’s take a walk down the memes that defined 2025 — for better or for worse. https://t.co/HsQ2Lhecs9

Daily dose of my catch on @FishingFrenzyCo till I reach level 100. Let’s f…. $FISH https://t.co/NumrZ9WPYp

We've doubled the Vibe context limit from 100k to 200k. Happy shipping! → uv tool install mistral-vibe https://t.co/tKsETd2nI6

@deepfates Halloween 2023 https://t.co/H2hZjR0Hbd

+2 more

Q: "What's one invention that's made us worse, not better?" ELON: "Maybe short form video. It's rotting people's brains." https://t.co/M9B7Kwvi59

Today, we’re introducing animation in Pomelli! ▶️ Turn content made with Pomelli into on-brand animations with our new ‘Animate’ feature, powered by our Veo 3.1 model. Now available free of charge in the US, Canada, Australia & New Zealand! Try it now at https://t.co/CIkN8ugZQS https://t.co/8oTDrsVtma

Proof small teams can win in AI: At NeurIPS, @EmpiricalHlth presented a health foundation model on 3M person-days of data—on par with large labs. It detects high blood pressure with 87% accuracy, alongside atrial flutter (70%), ME/CFS (81%), and sick sinus syndrome (87%). https://t.co/zzdxdacwwB

Excited to share that LeRobot Community Datasets v3 is here! 50K episodes | 46 robot types | 235 contributors worldwide One of the largest open-source crowdsourced robot demonstration collections for multi-embodiment learning 🦾 https://t.co/fxaBK1ijMJ

Introducing the winners of the Gemma 3n Impact Challenge on @kaggle 🏆(🧵) Learn how the global developer community built with Gemma to address critical challenges and make a difference in people’s lives through the potential of on-device, multimodal AI. https://t.co/gw5aYTa05W

🤯 8B model > GPT-5 on math ? 🌠Introducing Parallel Coordinated Reasoning (PaCoRe)——open source deep think. 📚Decouple reasoning from context limits → multi-million-token TTC. 🤩With this new paradigm, even an 8B model can push the effective per-problem TTC context to multi-million tokens, surpassing proprietary systems like GPT-5 Thinking. 🔢 Math (HMMT25): 94.5%，beating GPT-5's 93.2%, powered by ~2M-token TTC 🤖 Coding (LiveCodeBench2408-2505) : 78.2% , competitive with frontier models。 Model checkpoints, training data, and inference pipline are now MIT-licensed and fully open-source. Fork it, test it, build with us！

+2 more

Revealing the Coder Color of the Year… https://t.co/C503ZccKuP

24/7/365. Rain or shine. CEO midnight meetings. All hands on deck building the world’s best data centers with maniacal speed and efficiency. https://t.co/W3TuzXFUKF

When Whites are a minority in a country they become targets and are systematically forced into a sub-class where they live in fear and lose everything (Rhodesia/South Africa) where the end goal is total White genocide. When non Whites are a minority they are granted millions upon millions in social programs and welfare and worshipped by liberal White people to the point they can do no wrong. There's a discernible difference in outcomes.

In S3E12 of @GoingnativeTv, Drew discovers how Winnipeg is embracing its Indigenous roots and revitalizing public spaces and institutions. He even gets his hands dirty. Visit https://t.co/9aYARUiZZ5 for more information. https://t.co/cAp112uISe

+5 more

You can now train LLMs 3× faster with no accuracy loss, via our new RoPE and MLP kernels. Our Triton kernels plus smart auto packing delivers ~3× faster training & 30% less VRAM vs optimized FA3 setups. Train Qwen3-4B 3x faster on just 3.9GB VRAM. Blog: https://t.co/kL6JM6skH1

Real-time audio transcription. Entirely on-device. This hands-on tutorial shows you how to build it from scratch. No cloud dependencies, no API calls, complete privacy, using LFM2-Audio-1.5B by @liquidai Enjoy ↓ https://t.co/7Kn7f6Alv3 https://t.co/ax3MlZ8p0X