首个以交互为中心的视频世界模型评测基准，揭示当前模型在因果一致性和物理交互上的核心短板。
Meiqi Wu, Zhixin Cai, Fufangchen Zhao, Xiaokun Feng, Rujing Dang, Bingze...
4D生成
世界模型
交互评估
视频生成
评测基准
daVinci-MagiHuman单流架构实现高效音视频同步生成
SII-GAIR, Sand. ai, Ethan Chern, Hansi Teng, Hanwen Sun, Hao Wang, Hong Pan,...
单流架构
基础模型
多模态生成
模型蒸馏
视频生成
构建离线语料库与浏览器原语，低成本合成97K+深度研究轨迹
Zhuofeng Li, Dongfu Jiang, Xueguang Ma, Haoxiang Zhang, Ping Nie, Yuyu...
大语言模型
工具使用
深度研究智能体
离线检索
轨迹合成
通过工具调用按需检索高分辨率裁剪区域，实现VLM高效推理
Nimrod Shabtay, Moshe Kimhi, Artem Spector, Sivan Haray, Ehud Rivlin, Chaim...
图像裁剪
工具调用
强化学习
视觉语言模型
高效推理
560B MoE模型在Lean4定理证明任务上达到开源SOTA
Jianing Wang, Jianfei Zhang, Qi Guo, Linsen Guo, Rumei Li, Chao Zhang, Chong...
Lean4
MoE架构
大语言模型
定理证明
工具集成推理
利用视觉-时间亲和力图和假设-验证-细化循环，在稀疏观察下定位长视频关键线索
Ruoliu Yang, Chu Wu, Caifeng Shan, Ran He, Chaoyou Fu
主动推理
图神经网络
多模态大语言模型
证据检索
长视频理解
用几何基础模型的特征空间替代VAE作为多视角扩散的潜空间，实现更快更好的新视角合成
Wooseok Jang, Seonghu Jeon, Jisang Han, Jinhyeok Choi, Minkyung Kwon,...
3D一致性
几何基础模型
扩散模型
新视角合成
潜空间设计
用语言描述注入3D空间知识，提升视觉编码器的空间理解能力
Byungwoo Jeon, Dongyoung Kim, Huiwon Jang, Insoo Kim, Jinwoo Shin
3D理解
多模态学习
大语言模型
空间推理
视觉表征
提出迭代式过拟合感知搜索算法，动态排除过拟合子数据集以优化多任务SFT
Woosung Koh, Jeyoung Jeon, Youngjin Song, Yujin Cheon, Soowon Oh, Jaehyeong...
多任务学习
大语言模型训练
数据混合优化
监督微调
过拟合检测
通过微观精确SDE和宏观双重信任区域，使视频GRPO探索保持在数据流形附近
Mingzhe Zheng, Weijie Kong, Yue Wu, Dengyang Jiang, Yue Ma, Xuanhua He, Bin...
GRPO
强化学习对齐
扩散模型
流匹配
视频生成
通过预测密度分数实现自适应高斯分配，在大幅减少高斯数量的同时保持高质量3D重建
Injae Kim, Chaehyeon Kim, Minseong Bae, Minseok Joo, Hyunwoo J. Kim
3D Gaussian Splatting
3D重建
前馈式学习
神经渲染
稀疏视图
用token级log概率差识别RLVR稀疏更新方向，提升推理精度
Kexin Huang, Haoming Meng, Junkang Wu, Jinda Lu, Chiyu Ma, Ziqian Chen, Xue...
token级分析
大语言模型
强化学习
推理能力
策略优化
用MLLM语义分组约束多视角3D实例构建，实现开放词汇检测
Youbin Kim, Jinho Park, Hogun Park, Eunbyung Park
3D目标检测
场景理解
多模态大语言模型
多视角视觉
开放词汇
通过强化学习对齐MLLM推理与低层动作，显著提升VLA机器人操控性能
Dongyoung Kim, Sumin Park, Woomin Song, Seungku Kim, Taeyoung Kim, Huiwon...
具身智能
多模态大语言模型
强化学习
机器人操控
视觉-语言-动作模型
提出BubbleRAG框架，通过气泡扩展启发式算法解决黑盒知识图谱中的召回率和精确率双重挑战
Duyi Pan, Tianao Lou, Xin Li, Haoze Song, Yiwen Wu, Mengyi Deng, Mingyu...
RAG
图检索
多跳问答
大语言模型
知识图谱
通过筛选高方差轮次和功能等价奖励，将SFT轨迹转化为高效RL训练，实现4倍计算节省同时保持OOD泛化
Junkeun Yi, Damon Mosk-Aoyama, Baihe Huang, Ritu Gala, Charles Wang, Sugam...
GRPO
后训练
大语言模型
工具调用
强化学习
通过全局训练上下文和代码式精准编辑，让LLM代理在研究编程任务中持续自适应学习
Balaji Dinesh Gangireddi, Aniketh Garikaparthi, Manasi Patwardhan, Arman Cohan
Agent自适应
Prompt优化
代码复现
持续学习
研究自动化
用SAE分解CLIP嵌入，在稀疏空间精准去偏
Quentin Guimard, Federico Bartsch, Simone Caldarella, Rahaf Aljundi, Elisa...
偏见缓解
公平性
后处理去偏
稀疏自编码器
视觉语言模型
通过在自回归序列中显式生成分割和深度token增强VLM空间推理
Yuchen Li, Amanmeet Garg, Shalini Chaudhuri, Rui Zhao, Garin Kessler
多模态学习
深度估计
空间推理
自回归生成
视觉语言模型
生成模型与编码器共享高斯隐空间，支持线性语义编辑
Chen Tasker, Roy Betser, Eyal Gofer, Meir Yossef Levi, Guy Gilboa
扩散模型
表示学习
语义编辑
隐空间几何
高斯分布
通过因式分解范数和融合 Triton 内核，解决 DoRA 高秩配置下的内存和效率瓶颈
Alexandra Zelenin, Alexandra Zhuravlyova
DoRA
GPU计算
内核融合
参数高效微调
系统优化
提出双智能体自进化架构，通过GRPO强化学习提升MLLM长链视觉推理能力
Yuhao Dong, Zuyan Liu, Shulin Tian, Yongming Rao, Ziwei Liu
双智能体系统
多模态推理
强化学习
自进化
长链推理
统一框架支持任意离散扩散，首次大规模超越自回归
Oussama Zekri, Théo Uscidda, Nicolas Boullé, Anna Korba
扩散模型
注意力机制
生成式模型
离散扩散
语言建模
智能本质上是社会的，AI发展应构建混合社会系统而非单一超级智能
James Evans, Benjamin Bratton, Blaise Agüera y Arcas
Agentic AI
Emergent Behavior
Human-AI Collaboration
Institutional Alignment
Multi-agent Systems
通过自动发现细粒度任务和任务感知质量估计实现高效LLM路由
Yunyi Zhang, Soji Adeshina, Patrick Guan, Ashwin Ganesh, Zhen Han, Vassilis...
LLM路由
任务发现
成本优化
模型选择
混合专家
提出CAID框架，基于SWE原语实现多代理分支合并协作
Jiayi Geng, Graham Neubig
代码生成
多智能体系统
异步协作
版本控制
软件工程
自动将科学代码仓库标准化为LLM智能体可调用工具，覆盖六大领域122个仓库，转换成功率61.5%
Shimin Di, Xujie Yuan, Hanghui Guo, Chaoqian Ouyang, Zhangze Chen, Ling Yue,...
AI for Science
MCP协议
智能体工具
自动化标准化
通过感知约束的动态缓存，将视频世界模型推理速度提升2.3倍同时保持99.4%质量
Umair Nawaz, Ahmed Heakl, Ufaq Khan, Abdelrahman Shaker, Salman Khan, Fahad...
世界模型
扩散模型
推理加速
特征缓存
视频生成
系统研究长视界工具使用代理的强化学习设计空间，提出STAR框架和规模感知的训练方法
Xixi Wu, Qianguo Sun, Ruiyang Zhang, Chao Song, Junlong Wu, Yiyan Qi, Hong Cheng
大语言模型
工具使用
强化学习
智能体
长视界规划
LoRA2让每个LoRA组件自适应学习最优秩，在保持生成质量的同时大幅降低内存消耗
Donald Shenaj, Federico Errica, Antonio Carta
LoRA
个性化图像生成
参数高效微调
扩散模型
自适应架构
通过正交投影消除说话人信息，聚焦合成伪迹实现高泛化深度伪造检测
Kyudan Jung, Jihwan Kim, Minwoo Lee, Soyoon Kim, Jeonghoon Kim, Jaegul Choo,...
子空间投影
自监督学习
语音深度伪造检测
说话人解纠缠
零样本泛化
将Hamilton-Jacobi可达性与流匹配结合，实现离线安全强化学习的单步高效策略
Mumuksh Tayal, Manan Tayal, Ravi Prakash
Hamilton-Jacobi可达性
共形预测
安全强化学习
流匹配
离线强化学习
通过双层优化引入参数记忆机制，解决扩散语言模型训练与推理不匹配和长上下文注意力稀释问题
Zehua Pei, Hui-Ling Zhen, Weizhe Lin, Sinno Jialin Pan, Yunhe Wang, Mingxuan...
参数记忆
双层优化
快速权重
扩散语言模型
长上下文
提出融合生物分类学结构的语言-音频预训练框架，实现未见物种的准确识别与生态特征推断
Risa Shinoda, Kaede Shiohara, Nakamasa Inoue, Hiroaki Santo, Fumio Okura
分类学感知预训练
多模态学习
对比学习
物种识别
生物声学
用PDE动力学替代注意力机制，实现O(N)复杂度的世界模型预测
Fabien Polly
世界模型
反应-扩散PDE
自注意力替代
视频预测
通过领域自适应预训练和视觉指令调优构建增材制造专用多模态大语言模型
Peter Pak, Amir Barati Farimani
AdditiveLLM2
增材制造
多模态大语言模型
视觉指令调优
领域自适应预训练
为动作量化的行为克隆建立理论框架，证明稳定动力学下可实现最优样本复杂度
Haoqun Cao, Tengyang Xie
动作量化
强化学习
理论分析
自回归模型
行为克隆
提出MAGNet模型解决连续环境中语义视听导航任务，在目标声音间歇或静默后仍能维持目标追踪
Yichen Zeng, Hebaixu Wang, Meng Liu, Yu Zhou, Chen Gao, Kehan Chen, Gongping Huang
具身导航
多模态学习
强化学习
音频-视觉融合
提出基于ControlNet的两阶段伪装攻击框架，生成既欺骗检测器又对人类隐蔽的车辆伪装图案
Xiao Fang, Yiming Gong, Stanislav Panev, Celso de Melo, Shuowen Hu, Shayok...
伪装攻击
图像编辑
对抗攻击
扩散模型
目标检测
利用斐波那契准晶体平铺的无限层次特性，构建永不坍缩的词级字典压缩器，证明非周期结构在压缩效率上严格优于周期性方法
Roberto Tacconelli
Sturmian序列
准晶体平铺
字典压缩
斐波那契替换
无损压缩
提出四阶段渐进训练管道，通过显式引用格式将双语知识对话系统幻觉率降至零。
Vedant Pandya
多语言NLP
大模型训练
幻觉检测
引用生成
知识对话