提出MOTIVE框架，通过运动加权梯度归因识别影响视频生成运动质量的训练片段。
Xindi Wu, Despoina Paschalidou, Jun Gao, Antonio Torralba, Laura Leal-Taixé,...
扩散模型
数据归因
梯度方法
视频生成
运动归因
Upstage 102B 韩英双语 MoE 模型，合成数据+SnapPO 突破低资源瓶颈
Sungrae Park, Sanghoon Kim, Jungho Cho, Gyoungjin Gim, Dawoon Jung, Mikyoung...
低资源语言
双语模型
合成数据
强化学习
混合专家模型
Mistral 3B/8B/14B 模型，级联蒸馏实现高效训练
Alexander H. Liu, Kartik Khandelwal, Sandeep Subramanian, Victor Jouault,...
多模态
开源模型
模型压缩
模型蒸馏
语言模型
将GitHub历史经验治理为结构化记忆卡，提升代码智能体修bug能力
Qihao Wang, Ziming Cheng, Shuo Zhang, Fan Liu, Rui Xu, Heng Lian, Kunyi...
SWE-bench
代码智能体
检索增强生成
经验治理
软件工程
用组内锦标赛排名替代逐点标量打分，解决开放式任务RL训练中的判别力崩溃问题
Qiang Zhang, Boli Chen, Fanrui Zhang, Ruixue Ding, Shihang Wang, Qiuchen...
LLM智能体
奖励建模
开放式任务
强化学习
锦标赛排名
提出面向用户模拟的多轮工具对话生成框架，显著提升长期任务型智能体的稳健性与一致性。
Jungho Cho, Minbyul Jeong, Sungrae Park
多轮交互
对话生成
工具使用
数据合成
自主智能体
首个基于流匹配的GUI Agent，通过连续轨迹生成实现拖拽等高自由度操控
Siyuan Hu, Kevin Qinghong Lin, Mike Zheng Shou
Continuous Control
Flow Matching
GUI Agent
Human-Computer Interaction
Visual-Language-Action Model
用高密度自传叙事构建基准，从事实回忆到原则推理分层评估AI对人的理解能力
Tingyu Wu, Zhisheng Chen, Ziyan Weng, Shuhe Wang, Chenglong Li, Shuo Zhang,...
人格建模
基准评测
时间推理
自传记忆
长期记忆
将MUSt3R的3D感知特征融入SAM2，实现视角鲁棒的视频目标跟踪
Yang-Che Sun, Cheng Sun, Chin-Yang Lin, Fu-En Yang, Min-Hung Chen, Yen-Yu...
3D感知
几何重建
多视角一致性
特征融合
视频目标分割
揭示工具使用智能体的置信度二分法，提出CAR框架缓解校准偏差
Weihao Xuan, Qingcheng Zeng, Heli Qi, Yunze Xiao, Junjue Wang, Naoto Yokoya
LLM智能体
可信AI
工具使用
强化学习
校准
基于VLM与扩散模型的统一框架，通过自然语言指令实现多语言视觉文本生成与编辑。
Lichen Ma, Xiaolong Fu, Gaojing Zhou, Zipeng Guo, Ting Zhu, Yichun Liu, Yu...
VLM
图像编辑
多模态理解
扩散模型
视觉文本生成
首个在手机端实现 DiT 高质量图像生成的系统，0.4B 模型 1.8 秒生成 1K 图像
Dongting Hu, Aarush Gupta, Magzhan Gabidolla, Arpit Sahni, Huseyin Coskun,...
扩散模型
模型压缩
注意力机制
知识蒸馏
边缘部署
将检索文档作为独立专家并行解码，通过检索感知对比解码聚合跨文档证据
Giulio Corallo, Paolo Papotti
KV缓存
多文档推理
对比解码
推理优化
检索增强生成(RAG)
一种为工具增强代理设计的执行记忆模型，通过结构化记忆管理实现长程推理
Hongjin Qian, Zhao Cao, Zheng Liu
上下文管理
代理记忆
工具增强代理
认知架构
长程推理
首个用强化学习优化文本到可视化生成的框架，通过多目标奖励提升图表质量
Mizanur Rahman, Mohammed Saidul Islam, Md Tahmid Rahman Laskar, Shafiq Joty,...
GRPO
LLM
多模态
强化学习
数据可视化
人类标注的多模态RAG基准，评估视觉检索、答案生成与定位能力
António Loison, Quentin Macé, Antoine Edy, Victor Xing, Tom Balough, Gabriel...
RAG
基准评测
多模态检索
文档理解
视觉语言模型
提出 Trainee-Bench 动态职场基准，揭示 SOTA 智能体在探索和持续学习上的严重不足
Daocheng Fu, Jianbiao Mei, Rong Wu, Xuemeng Yang, Jia Xu, Ding Wang, Pinlong...
Active Exploration
Agent
Benchmark
Continual Learning
Task Scheduling
融合自适应思维链与语言记忆的VLA导航模型，在多任务基准上达到SOTA并零样本迁移到真实机器人
Shaoan Wang, Yuanfei Luo, Xingyu Chen, Aocheng Luo, Dongyue Li, Chang Liu,...
Vision-Language-Action模型
具身导航
多模态记忆
强化学习
思维链推理
首个仅需单帧掩码的端到端视频角色替换框架
Zhengbo Xu, Jie Ma, Ziheng Wang, Zhan Peng, Jun Liang, Jing Li
上下文学习
强化学习后训练
扩散模型
视频编辑
角色替换
两阶段训练：先学判断再学生成，提升推理效率
Jiangshan Duo, Hanyu Li, Hailin Zhang, Yudong Wang, Sujian Li, Liang Zhao
大语言模型
强化学习
推理优化
效率优化
数学推理
通过联合优化推理准确率与置信度校准，解决迭代自训练导致的模型过度自信问题
Jewon Yeom, Jaewon Sok, Seonghyeon Park, Jeongjae Park, Taesup Kim
不确定性校准
大语言模型
推理增强
模型校准
迭代自训练
统一框架实现视频时空联合理解，SlowFast token+MLLM-SAM2架构
Jiapeng Shi, Junke Wang, Zuyao You, Bo He, Zuxuan Wu
多模态大语言模型
时空定位
视觉Grounding
视频分割
视频理解
提出FactArena框架，通过竞技场风格的多智能体对战评估LLM在整个事实核查流程中的能力
Hongzhan Lin, Zixin Chen, Zhiqi Shen, Ziyang Luo, Zhen Ye, Jing Ma, Tat-Seng...
事实核查
基准测试
多智能体系统
大语言模型评估
竞技场评估
通过正交几何基统一运动码本与LLM嵌入空间
Zhankai Ye, Bofan Li, Yukai Jin, Shuoqiu Li, Wei Wang, Yanfu Zhang,...
VQ-VAE
人体动作理解
多模态
大语言模型
运动生成