提出模态/空间/时间三维一致性框架及CoW-Bench基准，系统评估世界模型的物理模拟能力
Jingxuan Wei, Siyuan Li, Yuhang Xu, Zheng Sun, Junjie Jiang, Hexuan Jin,...
一致性评估
世界模型
基准测试
多模态学习
视频生成
DPE 通过诊断-生成-强化闭环迭代，用 1K 种子数据让 8B 多模态模型超越 72B 模型
Hongrui Jia, Chaoya Jiang, Shikun Zhang, Wei Ye
GRPO
多模态推理
强化学习
数据生成
能力诊断
首个大规模真实出行场景LLM路径规划智能体评估基准，含10万episode覆盖350+城市
Zhiheng Song, Jingshuai Zhang, Chuan Qin, Chao Wang, Chao Chen, Longfei Xu,...
出行导航
基准测试
工具增强LLM
智能体评估
路径规划
提出全模态智能体基准OmniGAIA和原生全模态基础智能体OmniAtlas
Xiaoxi Li, Wenxiang Jiao, Jiarui Jin, Shijian Wang, Guanting Dong, Jiajie...
基准测试
多模态
工具使用
推理
智能体
通过因果中介分析证明潜空间视觉推理方法无效，并提出基于文本想象的替代方案CapImagine
You Li, Chi Chen, Yanghao Li, Fanhu Zeng, Kaiyu Huang, Jinan Xu, Maosong Sun
因果分析
多模态大语言模型
潜空间推理
视觉想象
视觉推理
EMPO²用自我生成记忆与混合RL增强LLM智能体探索与泛化能力
Zeyuan Liu, Jeonghye Kim, Xufang Luo, Dongsheng Li, Yuqing Yang
Exploration
LLM Agent
Memory-Augmented Agent
Off-Policy Learning
Reinforcement Learning
测试时拦截-纠正-拒绝框架，动态优化多智能体系统中错误信息的传播
Yutong Wang, Siyuan Xiong, Xuebo Liu, Wenkang Zhou, Liang Ding, Miao Zhang, Min Zhang
LLM智能体
多智能体系统
推理增强
测试时优化
错误传播
用复合奖励信号的强化学习训练医学视觉语言模型，实现开放性临床推理
Sahal Shaji Mullappilly, Mohammed Irfan Kurpath, Omair Mohamed, Mohamed...
医学AI
多模态大语言模型
奖励设计
强化学习
视觉问答
通过并行证据采集替代顺序推理，实现高效且泛化的长期智能体搜索
Qianben Chen, Tianrui Qin, King Zhu, Qiexiang Wang, Chengjun Yu, Shu Xu,...
信息检索
大语言模型
并行推理
强化学习
智能体搜索
通过测试时训练将二次方复杂度的全局注意力压缩为线性MLP，实现千张图像秒级重建
Sven Elflein, Ruilong Li, Sérgio Agostinho, Zan Gojcic, Laura Leal-Taixé,...
3D重建
多视图几何
测试时训练
线性注意力
视觉定位
通过条件引导调度实现混合并行，将扩散模型推理加速2.3倍同时保持图像质量
Euisoo Jung, Byunghyun Kim, Hyunjin Kim, Seonghye Cho, Jae-Gil Lee
分布式推理
图像生成
并行计算
扩散模型
模型加速
首个通用Agent系统评测：5架构×5模型×6基准的全因子实验
Elron Bandel, Asaf Yehudai, Lilach Eden, Yehoshua Sagron, Yotam Perlitz,...
LLM Agent
基准测试
工具调用
智能体评估
通用智能体
用两部iPhone实现低成本、高精度的人体-场景4D重建，赋能具身AI训练
Wenjia Wang, Liang Pan, Huaijin Pi, Yuke Lou, Xuqian Ren, Yifan Wu,...
4D重建
人形机器人
具身AI
动作捕捉
物理仿真
构建AI游戏商店平台，用100款人类游戏评估VLM与人类的通用智能差距
Lance Ying, Ryan Truong, Prafull Sharma, Kaiya Ivy Zhao, Nathan Cloos,...
人机对比
游戏AI
视觉语言模型
认知能力评估
通用智能评估
通过双曲JEPA和几何强化学习，提升能量预测世界模型的长程规划能力
Zeyu Zhang, Danning Li, Ian Reid, Richard Hartley
JEPA
世界模型
双曲几何
强化学习
视觉规划
提出CMDM框架，结合因果扩散和自回归建模，实现高质量文本到动作生成
Qing Yu, Akihisa Watanabe, Kent Fujiwara
因果建模
扩散模型
文本到动作
自回归
运动生成
提出RaggedShard格式和结构感知规划算法，实现灵活高效的大规模FSDP训练
Zezhou Wang, Youjie Li, Zhiqi Lin, Jiacheng Yang, Cong Xie, Guanyu Feng,...
DTensor
FSDP
ZeRO
分布式训练
大模型训练
通过检索增强的测试时适配器，融合文本与视觉支持实现开放词汇语义分割
Tilemachos Aravanis, Vladan Stojnić, Bill Psomas, Nikos Komodakis, Giorgos Tolias
少样本学习
开放词汇分割
检索增强
测试时适应
视觉-语言模型
ACE通过非对称惩罚过自信错误，在不损失Pass@1的前提下显著扩展推理边界
Yuanda Xu, Hejian Sang, Zhengze Zhou, Ran He, Zhipeng Wang
DAPO
GRPO
多样性保持
大语言模型
强化学习
从经典语言学出发，用17个语言特征量化查询与LLM幻觉率的关系
William Watson, Nicole Cho, Sumitra Ganesh, Manuela Veloso
大语言模型可靠性
幻觉检测
查询优化
语言学特征
输入侧分析
零专家依赖，通过风险感知世界模型实现可泛化的端到端自动驾驶
Jiangxin Sun, Feng Xue, Teng Long, Chang Liu, Jian-Fang Hu, Wei-Shi Zheng, Nicu Sebe
世界模型
无监督学习
自动驾驶
预测控制
DyaDiT生成社交感知的双人对话手势
Yichen Peng, Jyun-Ting Song, Siyeol Jung, Ruofan Liu, Haiyang Liu, Xuangeng...
人机交互
多模态学习
对话手势生成
扩散模型
社交交互
构建2.98亿token的DLT领域最大文本语料库，整合科学文献、专利和社交媒体数据
Walter Hernandez Cruz, Peter Devine, Nikhil Vadgama, Paolo Tasca, Jiahua Xu
分布式账本技术
命名实体识别
技术创新扩散
文本语料库
领域自适应
提出MMHNet框架，训练短片段测试长视频，实现5分钟以上音频生成
Christian Simon, Masato Ishii, Wei-Yao Wang, Koichi Saito, Akio Hayakawa,...
Mamba架构
分层建模
多模态对齐
视频到音频生成
长度泛化
提出概率视觉-语言适配器，实现文本驱动的医学图像分割，提升数据效率和泛化能力。
Taha Koleilat, Hojat Asgariandehkordi, Omid Nejati Manzari, Berardino...
CLIP适配
不确定性估计
医学图像分割
域泛化
视觉-语言模型
利用上下文多臂老虎机自适应选择查询重写策略，有效缓解大语言模型幻觉，特别适用于闭源模型
Nicole Cho, William Watson, Alec Koppel, Sumitra Ganesh, Manuela Veloso
上下文多臂老虎机
在线学习
幻觉缓解
查询重写
闭源模型
MEG语音解码的迁移学习首次成功应用
Xabier de Zuazo, Vincenzo Verbeni, Eva Navas, Ibon Saratxaga, Mathieu...
MEG
脑机接口
语音解码
跨任务学习
迁移学习
提出TRC2架构，集成丘脑调制和海马体记忆，解决大模型持续学习中的灾难性遗忘问题。
Afshin Khadangi
持续学习
灾难性遗忘
神经启发架构
记忆增强
语言模型