扩散解码替代自回归，实现文档OCR并行生成与语义鲁棒
Hejun Dong, Junbo Niu, Bin Wang, Weijun Zeng, Wentao Zhang, Conghui He
并行解码
扩散语言模型
文档OCR
视觉语言模型
课程学习
从《怪物猎人：荒野》采集的1亿帧游戏数据集，支持动作条件世界建模
Zhen Li, Zian Meng, Shuwei Shi, Wenshuo Peng, Yuwei Wu, Bo Zheng, Chuanhao...
世界模型
动作条件生成
强化学习
游戏数据集
视频生成
将推测解码从token级提升到智能体级，用轻量模型跳过不必要的工具调用链
Haoyu Huang, Jinfa Huang, Zhongwei Wan, Xiawu Zheng, Rongrong Ji, Jiebo Luo
多模态大语言模型
推测解码
推理加速
智能体推理
高效推理
用计算图视角统一LLM工作流优化，按结构确定时机分类77篇文献并提出评估协议
Ling Yue, Kushal Raj Bhandari, Ching-Yun Ko, Dhaval Patel, Shuxin Lin,...
LLM Agent
多智能体系统
工作流优化
综述
计算图
利用图像复原扩散模型的退化感知特征实现退化视频的光流估计
Jaewon Min, Jaeeun Lee, Yeji Choi, Paul Hyunbin Cho, Jin Hyeon Kim,...
光流估计
图像复原
扩散模型
稠密对应
视频处理
用稀疏3D VQ-VAE+MLLM将静态网格转为仿真就绪的铰接物体
Chuanrui Zhang, Minghan Qin, Yuang Wang, Baifeng Xie, Hang Li, Ziwei Wang
3D生成
VQ-VAE
多模态大语言模型
物理仿真
铰接物体
首个支持流式视频中动态注册个性化概念并实时问答的免训练框架与基准
Yuanhong Zheng, Ruichuan An, Xiaopeng Lin, Yuxing Liu, Sihan Yang, Huanyu...
个性化理解
多模态大模型
实时交互
检索增强
流式视频
将文生图的推理与生成统一为MDP，用GRPO联合优化文本和图像策略
Jie Liu, Zilyu Ye, Linxiao Yuan, Shenhan Zhu, Yu Gao, Jie Wu, Kunchang Li,...
Flow Matching
GRPO
多模态生成
强化学习
推理链
用视频扩散模型将3D引擎渲染视频转化为照片级真实感视频
Dana Cohen-Bar, Ido Sobol, Raphael Bensadoun, Shelly Sheynin, Oran Gafni, Or...
3D渲染
Sim-to-Real
扩散模型
视频生成
视频编辑
PEPO：通过视觉感知与探索耦合的token级优势估计优化多模态推理
Yunheng Li, Hangyi Kuang, Hengrui Zhang, Jiangxia Cao, Zhaojie Liu, Qibin...
多模态大模型
强化学习
推理优化
策略梯度
视觉语言模型
双专家解耦位姿估计与外观生成，超越无位姿3DGS方法
Hwasik Jeong, Seungryong Lee, Gyeongjin Kang, Seungkwon Yang, Xiangyu Sun,...
3D Gaussian Splatting
Feed-forward 3D
Multi-view
Novel View Synthesis
Pose-free Reconstruction
AutoGaze：3M参数前置模块裁剪冗余patch，实现19×加速
Baifeng Shi, Stephanie Fu, Long Lian, Hanrong Ye, David Eigen, Aaron Reite,...
token压缩
多模态大语言模型
强化学习
自回归生成
视频理解
VLM引导JEPA隐式世界模型，双时序通路融合语义与动态建模
Haichao Zhang, Yijiang Li, Shwai He, Tushar Nagarajan, Mingfei Chen,...
JEPA
世界模型
视觉语言模型
视频预测
轨迹预测
首个任务和策略无关的主动视觉基础模型，用Canvas注意力实现高效序列推理
Yohaï-Eliel Berreby, Sabrina Du, Audrey Durand, B. Suresh Krishna
Vision Transformer
主动视觉
基础模型
知识蒸馏
计算机视觉
用视觉提示解耦高层推理与低层控制，提升机器人操作精度
Zixuan Wang, Yuxin Chen, Yuqi Liu, Jinhui Ye, Pengguang Chen, Changsheng Lu,...
双系统架构
机器人操作
空间推理
视觉-语言-动作模型
视觉提示
RLVR仅通过修改极少量关键token分布即可大幅提升推理性能
Haoming Meng, Kexin Huang, Shaohang Wei, Chiyu Ma, Shuo Yang, Xue Wang,...
RLVR
Token级分析
分布偏移
大语言模型
强化学习
首次用专家标注数据集系统评测LLM在流行病学SLR全流程中的表现，发现结构化数据提取是核心瓶颈
Shreyansh Padarha, Ryan Othniel Kearns, Tristan Naidoo, Lingyi Yang, Łukasz...
LLM评测
智能体工作流
流行病学
科学知识合成
系统性文献综述
通过联合优化实例和结构抽象来减少灾难性遗忘，提高关系泛化能力
Elnaz Rahmati, Nona Ghazizadeh, Zhivar Sourati, Nina Rouhani, Morteza Dehghani
归纳偏置
抽象推理
持续学习
灾难性遗忘
认知科学
将触觉感知融入预测式视频世界模型，实现接触丰富操作的鲁棒控制
Haoran Yuan, Weigang Yi, Zhenyu Zhang, Wendi Chen, Yuchen Mo, Jiashi Yin,...
世界模型
多模态融合
扩散模型
机器人操作
触觉感知
首个将第一视角视频感知与网页任务执行连接的基准，含500对视频-指令样本
Shoubin Yu, Lei Shu, Antoine Yang, Yao Fu, Srinivas Sunkara, Maria Wang,...
LLM评估
基准测试
多模态智能体
第一视角视频
网页智能体
评估多主体图像生成中属性绑定错误的基准测试与诊断方法
Wenqing Tian, Hanyi Mao, Zhaocheng Liu, Lihua Zhang, Qiang Liu, Jian Wu, Liang Wang
图像生成评估
基准测试
多主体生成
属性绑定
扩散模型
CHANRG基准揭示RNA结构预测器在分布外场景下泛化能力严重受限，基础模型优势消失
Zhiyuan Chen, Zhenfeng Deng, Pan Deng, Yue Liao, Xiu Su, Peng Ye, Xihui Liu
RNA二级结构预测
基准测试
机器学习
泛化能力
生物信息学
用单目深度估计生成伪配对，实现30M图像训练的单视图新视角合成
Adrien Ramanana Rahary, Nicolas Dufour, Patrick Perez, David Picard
3D生成
单目视觉
新视角合成
深度估计
分析欧盟 AI 法案在应对 AI 智能体监管挑战时的结构性缺陷并提出治理框架重构建议
Kathrin Gardhouse, Amin Oueslati, Noam Kolt
AI 智能体
AI 监管
政策研究
欧盟 AI 法案
科技治理
从视频历史轨迹预测未来密集运动轨迹的生成框架
Zewei Zhang, Jia Jun Cheng Xian, Kaiwen Liu, Ming Liang, Hang Chu, Jun Chen,...
视频生成
计算机视觉
轨迹预测
运动建模
受干细胞启发的多协议 AI 智能体框架，支持 5 种互操作性协议
Alfred Shen, Aaron Shen
MCP
协议互操作
多智能体系统
智能体架构
自适应学习
首个面向数据智能体评测的现实多数据库集成基准
Ruiying Ma, Shreya Shankar, Ruiqi Chen, Yiming Lin, Sepanta Zeighami,...
基准评测
多数据库集成
数据智能体
自然语言查询
通过稀疏化视觉-语言交互而非减少token数量来提升LVLM效率的新方法
Adrian Bulat, Alberto Baldrati, Ioannis Maniadis Metaxas, Yassine Ouali,...
动态推理
多模态学习
模型效率优化
注意力机制
视觉语言模型
提出14B参数物理对齐世界模型，生成符合物理定律的机器人操作视频
Yuzhi Chen, Ronghan Chen, Dongjie Huo, Yandan Yang, Dekang Qi, Haoyun Liu,...
DPO对齐
世界模型
机器人操作
物理约束
视频生成
通过重构引导的课程学习逐步扩展slot容量，有效减少VOCL中的对象过分割问题
WonJun Moon, Hyun Seok Seong, Jae-Pil Heo
无监督学习
时序一致性
视频对象中心学习
课程学习
通过双曲不确定度建模部分-整体语义代表性，提升多对象场景理解能力
Hayeon Kim, Ji Ha Jang, Junghun James Kim, Se Young Chun
不确定性建模
双曲几何
层次结构
组合学习
视觉语言模型
揭示LLM通过对齐训练获得道德修辞习惯但缺乏真实道德发展轨迹
Aryan Kasat, Smriti Singh, Aman Chadha, Vinija Jain
Kohlberg理论
LLM道德推理
模型对齐
行为评估
为AI代理添加会话级风险记忆，检测分布式多步攻击
Florin Adrian Chitan
AI安全
代理系统
时间授权
确定性验证
预执行门控
基于图加权的非对比自监督框架，联合建模失真与内容，提升无参考图像质量评估泛化性。
Mahdi Naseri, Zhou Wang
图关系监督
失真组合引擎
无参考图像质量评估
自监督学习