通过引入Future-KL散度重构GRPO的信用分配机制，突破LLM推理长度停滞瓶颈
Chiyu Ma, Shuo Yang, Kexin Huang, Jinda Lu, Haoming Meng, Shangshang Wang,...
GRPO
信用分配
大语言模型
强化学习
推理能力
整合CARLA与AirSim于单一UE4进程，实现高保真空地联合仿真，支持18种传感器模态同步采集
Tianle Zeng, Hanxuan Chen, Yanci Wen, Hong Zhang
仿真平台
具身智能
多模态感知
强化学习环境
空地协同
美团 LongCat 团队提出 DiNA 范式，把视觉/音频也词表化为离散 token，用统一自回归统一多模态。
Meituan LongCat Team, Bin Xiao, Chao Wang, Chengjiang Li, Chi Zhang, Chong...
MoE
原生多模态
多模态大模型
离散 token 化
自回归
通过代理循环、持久记忆和领域技能三核心组件，显著提升多模态生成模型在复杂指令和下游任务中的表现。
Zefeng He, Siyuan Huang, Xiaoye Qu, Yafu Li, Tong Zhu, Yu Cheng, Yang Yang
Agent框架
多模态生成
推理时扩展
文本到图像生成
记忆机制
基于掩码离散扩散模型的单细胞转录组生成框架，实现细胞状态模拟和扰动响应预测
Han Zhang, Guo-Hua Yuan, Chaohao Yuan, Tingyang Xu, Tian Bian, Hong Cheng,...
单细胞转录组
扩散模型
扰动预测
生成模型
虚拟细胞
系统性调查1000+医学影像数据集，提出元数据驱动的数据集融合范式（MDFP）以解决数据碎片化问题。
Zhongying Deng, Cheng Tang, Ziyan Huang, Jiashi Lin, Ying Chen, Junzhi Ning,...
医学影像
基础模型
数据融合
数据集综述
提出MUPO方法解决RL模型的多样性崩溃问题
Xinyu Tian, Shu Zou, Zhaoyuan Yang, Mengqi He, Peter Tu, Jing Zhang
GRPO
发散思维
强化学习
推理能力
视觉-语言模型
潜在空间几何引导的4D世界一致性视频生成框架
Zhaochong An, Orest Kupyn, Théo Uscidda, Andrea Colaco, Karan Ahuja, Serge...
4D重建
几何一致性
强化学习
扩散模型
视频生成
多智能体框架将小时级原始素材自动剪辑为音乐同步的精剪短视频
Shifang Zhao, Yihan Hu, Ying Shan, Yunchao Wei, Xiaodong Cun
多智能体系统
多模态学习
时序定位
视频编辑
音频-视频同步
首次提出端到端统一多模态智能体框架，通过Think-Research-Recaption-Generate四阶段流水线实现真实世界的知识密集型图像生成
Shuang Chen, Quanxin Shou, Hangting Chen, Yucheng Zhou, Kaituo Feng, Wenbo...
世界知识
图像生成
多模态智能体
文本到图像
知识检索增强
通过完全开放的范式和200+消融实验，建立大语言模型预训练的科学方法论
Yiwei Qin, Yixiu Liu, Tiantian Mi, Muhang Xie, Zhen Huang, Weiye Si, Pengrui...
开放研究
数据质量
系统消融
训练动力学
预训练
允许LLM在代码生成过程中任意位置按需调用推理的新机制，实现自适应计算
Xue Jiang, Tianyu Zhang, Ge Li, Mengyang Liu, Taozhi Chen, Zhenhua Xu,...
代码生成
大语言模型推理
强化学习
自适应计算
无需训练的单图像到城镇规模3D场景生成方法，通过扩展潜在空间和重叠块式流实现高保真度。
Seungwoo Yoon, Jinmo Kim, Jaesik Park
3D生成
图像生成
场景重建
扩散模型
训练-free方法
首个全面开源的CoT可监控性评估基准，揭示LLMs隐藏决策因素的能力与局限性
Han Wang, Yifan Sun, Brian Ko, Mann Talati, Jiawen Gong, Zimeng Li, Naicheng...
AI安全
可解释性
基准测试
思维链监控
模型透明度
提出基于文件系统的harness优化框架，自动搜索最优LLM系统配置
Yoonho Lee, Roshen Nair, Qizheng Zhang, Kangwook Lee, Omar Khattab, Chelsea Finn
LLM系统优化
代理系统
代码搜索
检索增强生成
自动机器学习
首个基于扩散模型的文本到raw图像生成框架，支持任意目标相机
Dongyoung Kim, Junyong Lee, Abhijith Punnappurath, Mahmoud Afifi, Sangmin...
ISP处理
低层视觉
图像生成
扩散模型
计算机视觉
首个基于掩码扩散的8B全模态统一模型，在单一架构中实现文本、图像、语音、视频的任意理解与生成
Jaeik Kim, Woojin Kim, Jihwan Hong, Yejoon Lee, Sieun Hyeon, Mintaek Lim,...
全模态统一
多模态大模型
扩散模型
掩码扩散
文本-图像-语音联合建模
提出神经符号框架Learn2Fold，结合LLM语义规划与图结构世界模型，生成物理有效的折纸折叠序列
Yanjia Huang, Yunuo Chen, Ying Jiang, Jinru Han, Zhengzhong Tu, Yin Yang,...
世界模型
折纸生成
神经符号AI
程序归纳
约束规划
通过流引导MCTS和进化算法实现科学想法的动态生成与进化
Qiyao Wang, Hongbo Wang, Longze Chen, Zhihao Yang, Guhong Chen, Hamid...
GFlowNet
MCTS
文献检索
科学想法生成
进化算法
使用单一早期融合Transformer实现开放词汇分割和OCR，通过Chain-of-Perception接口实现高效密集感知。
Aviraj Bevli, Sofian Chaybouti, Yasser Dahou, Hakim Hacid, Ngoc Dung Huynh,...
OCR
密集感知
开放词汇分割
早期融合
视觉语言模型
双流DiT实现文本+掩码/草图的高保真可控人脸生成
Bharath Krishnamurthy, Ajita Rattani
DiT
人脸生成
可控生成
多模态生成
扩散Transformer
揭示LLM在表面线索与隐式约束冲突时的系统性推理失败模式及缓解策略
Yubo Li, Lu Zhang, Tianchong Jiang, Ramayya Krishnan, Rema Padman
LLM推理
启发式学习
因果分析
提示工程
约束推理
首个商业视觉生成系统化基准
Yan Li, Zezi Zeng, Ziwei Zhou, Xin Gao, Muzhao Tian, Yifan Yang, Mingxi...
商业设计
图像生成
基准测试
多模态评估
布局控制
基于流匹配的无边界3D世界生成方法，支持高质量几何结构和纹理生成
Amogh Joshi, Julian Ost, Felix Heide
3D生成
体素表示
可控生成
无边界场景
流匹配
通过向量合并后优化数据比例解决持续预训练中数据混合比例难调的问题
Haiyue Song, Masao Utiyama
多语言模型
持续预训练
数据混合优化
模型合并
贝叶斯优化
提出前馈式3D感知天气编辑框架，无需逐场景优化即可实现细粒度物理控制的视频天气转换
Tianyu Liu, Weitao Xiong, Kunming Luo, Manyuan Zhang, Peng Liu, Yuan Liu, Ping Tan
3D重建
光照解耦
天气合成
数据增强
自动驾驶
用扩散模型生成 50 万带 3D 网格标注的合成人体图像。
Lorenza Prospero, Orest Kupyn, Ostap Viniavskyi, João F. Henriques,...
DPO 对齐
SMPL-X
人体网格估计
合成数据
扩散模型
首个无模板的单目RGB视频4D手-铰接物体重建框架，MLLM引导对齐。
Zikai Wang, Zhilu Zhang, Yiqing Wang, Hui Li, Wangmeng Zuo
4D重建
基础模型
多模态大模型
手-物体交互
铰接物体
基于全景表示和预览-精炼两阶段设计的可控长视野全景视频生成框架
Yuheng Liu, Xin Lin, Xinke Li, Baihan Yang, Chen Wang, Kalyan Sunkavalli,...
全景视频生成
场景漫游
扩散模型
相机控制
长视野一致性
把675B的隐私判断蒸馏到150M编码器，本地即可超越教师的人类一致性
Gabriel Loiseau, Damien Sileo, Damien Riquet, Maxime Meyer, Marc Tommasi
NLP
人类一致性
去标识化
知识蒸馏
隐私评估
用 RAG + LLM judge 量化美国 23 个器官移植中心患者教育手册的临床指导异质性
Yubo Li, Ramayya Krishnan, Rema Padman
医学NLP
医疗问答
器官移植
异质性分析
患者教育
首个覆盖草图到SVG、文本到SVG、SVG编辑和描述的多任务SVG基准
Juan Rodriguez, Haotian Zhang, Abhay Puri, Tianyang Zhang, Rishav Pramanik,...
SVG编辑
VLM评估
多任务学习
强化学习
视觉代码生成
首个移动场景全波形 LiDAR 数据集，利用完整时间强度剖面消除玻璃引起的虚假反射点
Kazuma Ikeda, Ryosei Hara, Rokuto Nagata, Ozora Sako. Zihao Ding, Takahiro...
3D Perception
Autonomous Driving
Full-Waveform
Ghost Detection
LiDAR
提出基于VQA的自动化评估框架CREval和基准CREval-Bench，解决复杂创意图像编辑的评估难题
Chonghuinan Wang, Zihan Chen, Yuxiang Wei, Tianyi Jiang, Xiaohe Wu, Fan Li,...
VQA评估
图像编辑
基准测试
多模态大模型
自动评估
在T2V模型token空间添加偏移向量实现连续属性控制
Zhixuan Liu, Peter Schaldenbrand, Yijun Li, Long Mai, Aniruddha Mahapatra,...
Diffusion Transformer
可控生成
时空编辑
视频生成
语义控制
提出分层多尺度补丁transformer架构，将计算成本降低50%同时保持高质量生成
Quan Dao, Dimitris Metaxas
Transformer
多尺度建模
扩散模型
流匹配
高效生成
提出智能工作流构建大规模结肠镜病变数据集，评估MLLM医学视频理解能力
Abdullah Hamdi, Changchun Yang, Xin Gao
医学影像
多模态大模型
病灶检测
结肠镜检查
视频标注
系统评估LLM通过纯文本训练获得的听觉知识及其对音频理解性能的影响
Ke-Han Lu, Szu-Wei Fu, Chao-Han Huck Yang, Zhehuai Chen, Sung-Feng Huang,...
多模态学习
大语言模型
知识评估
跨模态推理
音频语言模型
提出TAP-GPT框架，基于表格大语言模型实现少样本阿尔茨海默病多模态生物标志物预测。
Sophie Kearney, Shu Yang, Zixuan Wen, Weimin Lyu, Bojian Hou, Duy...
医学诊断
可解释AI
多模态融合
少样本学习
表格大语言模型
结合语义重要性和空间多样性的 3D 视觉 token 高效剪枝方法
Wenli Li, Kai Zhao, Haoran Jiang, Enquan Yang, Yi Su, Dan Zeng
3D 问答
Token 剪枝
多视角推理
视觉-语言模型
通过简单边界框控制实现视频中物体轨迹的智能移动，自动保持物理合理性
Kiran Chhatre, Hyeonho Jeong, Yulia Gryaditskaya, Christopher E. Peters,...
物理感知
生成模型
视频到视频生成
视频编辑
轨迹控制
将对话历史音频压缩为固定latent tokens，降低成本同时保留ASR增益
Shashi Kumar, Esaú Villatoro-Tello, Sergio Burdisso, Kadri Hacioglu,...
上下文感知
多模态大模型
对话系统
模型压缩
语音识别
基于闪烁的周期性和方向性特性，提出 Flickerformer 框架，实现高质量的突发图像闪烁移除
Lishen Qu, Shihao Zhou, Jie Liang, Hui Zeng, Lei Zhang, Jufeng Yang
Transformer
图像修复
小波变换
相位相关
突发摄影