首个开源高效音视频联合生成模型
Yoav HaCohen, Benny Brazowski, Nisan Chiprut, Yaki Bitterman, Andrew...
Transformer
多模态生成
扩散模型
音视频同步
将深度建模为神经隐式场，实现任意分辨率和细粒度的单目深度估计
Hao Yu, Haotong Lin, Jiawei Wang, Jiaxin Li, Yida Wang, Xueyang Zhang, Yue...
单目深度
新视图合成
深度估计
神经隐式表示
计算机视觉
首个端到端多说话人转录模型，支持90分钟长音频
MOSI. AI, Donghua Yu, Zhengyuan Lin, Chen Yang, Yiyang Zhang, Hanfu Chen,...
多模态大模型
语音识别
说话人分离
长上下文建模
提出无需外部数据的自我改进框架，通过Proposer-Solver-Judge三角色对弈解决统一多模态模型理解能力强但生成能力弱的问题
Ruiyan Han, Zhen Fang, XinYu Sun, Yuchen Ma, Ziheng Wang, Yu Zeng, Zehui...
多模态学习
文本到图像生成
统一模型
自我对弈
自我改进
从40,000小时游戏视频训练的跨游戏通用AI代理
Loïc Magne, Anas Awadalla, Guanzhi Wang, Yinzhen Xu, Joshua Belofsky,...
多任务学习
强化学习
游戏AI
行为克隆
视觉-动作模型
提出MindWatcher，一个能自主规划、调用多模态工具的智能体，通过持续RL训练和改进的GRPO算法实现SOTA工具推理性能。
Jiawei Chen, Xintian Shen, Lihao Zheng, Zhenwei Shao, Hongyuan Zhang,...
MWE-Bench
ReAct范式
多模态智能体
工具集成推理
强化学习
小米309B参数MoE模型，混合滑动窗口注意力+多教师蒸馏，推理提速2.6×
Bangjun Xiao, Bingquan Xia, Bo Yang, Bofei Gao, Bowen Shen, Chen Zhang,...
在线策略蒸馏
多专家模型
大语言模型
投机解码
混合注意力机制
科学AI评估工具包，覆盖七大核心能力
Yiheng Wang, Yixin Chen, Shuo Li, Yifan Zhou, Bo Liu, Hengjian Gao, Jiakang...
AI4Science
LLM评估
基准测试
多模态
科学智能
SOP通过分布式机器人在线经验共享实现VLA模型的高效多任务后训练
Mingjie Pan, Siyuan Feng, Qinglin Zhang, Xinchen Li, Jianheng Song, Chendi...
分布式机器人学习
后训练
在线学习
机器人操作
视觉-语言-动作模型
首个支持文本/风格图/首帧三种引导方式的统一视频风格化框架
Mengtian Li, Jinshu Chen, Songtao Zhao, Wanquan Feng, Pengqi Tu, Qian He
LoRA
多模态融合
扩散模型
条件注入
视频风格化
提出AI驱动数字孪生的四阶段框架，系统梳理从物理建模到自主管理的技术演进与多领域应用
Rong Zhou, Dongping Chen, Zihan Jia, Yao Su, Yixin Liu, Yiwen Lu, Dongwei...
世界模型
大语言模型
数字孪生
物理信息AI
自主管理
提出认知启发的三阶段框架，通过知识内化解决视觉数学推理中的推理漂移问题
Shuhang Chen, Yunqiu Xu, Junjie Xie, Aojun Lu, Tao Feng, Zeying Huang, Ning...
多模态学习
强化学习
数学问题求解
知识内化
视觉推理
大规模视觉Web智能体训练环境，简单RL训练超越GPT-5
Hao Bai, Alexey Taymanov, Tong Zhang, Aviral Kumar, Spencer Whitehead
Web Agent
WebGym
强化学习
视觉智能体
模块化红队测试框架，集成37种攻击方法，在20个MLLM上揭示平均49.14%的攻击成功率
Xin Wang, Yunhao Chen, Juncheng Li, Yixu Wang, Yang Yao, Tianle Gu, Jie Li,...
AI安全
多模态大模型
对抗评估
红队测试
越狱攻击
通过解耦的Thinker-Generator架构和两阶段强化学习，显著提升图像生成的推理能力
Sashuai Zhou, Qiang Zhou, Jijin Hu, Hanqing Yang, Yue Cao, Junpeng Ma,...
图像生成
强化学习
推理增强
模块化架构
视觉语言模型
首个无需训练的 3D 骨架引导幻想生物生成框架
Hexiao Lu, Xiaokun Sun, Zeyu Cai, Hao Guo, Ying Tai, Jian Yang, Zhenyu Zhang
3D生成
无训练方法
组合生成
骨架表示
研究发现大型推理模型存在多语言潜在推理能力，但强弱不均：高资源语言强，低资源语言弱，且在困难任务上几乎不可检测
Yihong Liu, Raoyuan Zhao, Hinrich Schütze, Michael A. Hedderich
Chain-of-Thought
多语言推理
大语言模型
数学推理
潜在推理
提出分解聚合策略突破LLM大规模计数瓶颈并揭示其内部机制
Hosein Hasani, Mohammadali Banayeeanzade, Ali Nafisi, Sadegh Mohammadian,...
System-2推理
因果中介分析
机制可解释性
注意力分析
计数任务
构建30万对高保真视频数据集，提出AST-RoPE和自蒸馏策略实现无需运行时引导的FFP视频编辑
Xijie Huang, Chengming Xu, Donghao Luo, Xiaobin Hu, Peng Tang, Xu Peng,...
Transformer位置编码
数据集构建
第一帧传播
自蒸馏训练
视频编辑
提出并行隐式推理框架，通过多流并行探索提升序列推荐性能
Jiakai Tang, Xu Chen, Wen Chen, Jian Wu, Yuning Jiang, Bo Zheng
并行计算
序列推荐
注意力机制
隐式推理
通过音频-表情扩散模型的个性化重建误差实现自监督人脸伪造检测
Kaede Shiohara, Toshihiko Yamasaki, Vladislav Golyanik
3DMM
人脸伪造检测
扩散模型
自监督学习
音频-视觉
首个音频地理定位基准AGL1K，评估16个音频语言模型的地理推理能力
Ruixing Zhang, Zihan Liu, Leilei Sun, Tongyu Zhu, Weifeng Lv
地理推理
基准测试
多模态推理
音频地理定位
音频语言模型
提出两阶段可解释仇恨言论检测框架，融合人类理据与LLM解释
Mohammad Zia Ur Rehman, Sai Kartheek Reddy Kasu, Shashivardhan Reddy...
仇恨言论检测
可解释AI
多语言NLP
大语言模型
注意力机制
TensorNet2架构的药物小分子机器学习力场，兼顾速度与DFT级精度。
Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey,...
TensorNet
分子动力学
力场
机器学习势能
药物发现
首次将脉冲神经网络应用于图像去雾，以极小模型实现SOTA性能
Huibin Li, Haoran Liu, Mingzhe Liu, Yulong Xiao, Peng Li, Guibin Zan
U-Net
图像去雾
图像复原
脉冲神经网络
轻量化模型
评估LVLM在多模态文档问答中遵守用户定义的非披露策略能力的基准
Haeun Jang, Hwan Chang, Hwanhee Lee
信息泄露
多模态文档理解
安全评估
视觉语言模型
隐私保护
短提示后缀可大幅调控LLM的工具性收敛行为，揭示开放权重模型的安全-安防困境
Jakub Hoscilowicz
AI安全
可操控性
对抗性攻击
工具性收敛
开放权重模型