统一数据选择、混合和重加权的动态训练框架

系统综述语言模型潜空间研究的全景综述，按机制与能力双轴梳理200余项工作。

从AAA游戏提取大规模G-buffer数据集，实现双向渲染突破

通过上下文强化学习将agent技能内化到模型参数，实现零样本自主行为

用物理因果推理实现视频对象及其交互的真实移除

SteerViT通过早期融合交叉注意力让冻结ViT可文本操控，并保持原表征质量

自主多智能体进化框架用于开放性发现

首个将三维点云作为可更新世界状态、闭环驱动自我中心手物交互视频生成的模拟器。

大模型先做决定再找理由

使用匹配背景的近身份干扰项解决视觉编码器中身份与上下文的混淆问题

统一语义空间表示所有模态，支持交织跨模态推理

自主研究管线自动发现多模态记忆架构，LoCoMo F1+411%

用Mixture-of-Transformers三专家解耦感知与推理，解决VLA自驾感知-语义冲突

一个具备认知库与分析器的智能体进化框架，在架构、数据、RL算法三大 AI 子领域同步发现超越人类专家的设计。

AI代理生成的代码变更更大但更不稳定

提出GateControl框架，通过门控机制在高效线性注意力模型上实现多类型可控图像生成

GPA通过单次演示实现确定性、高隐私的GUI自动化

统一2D/3D生成，用跨模态一致性约束缓解3D数据稀缺问题

首个在VLA模拟环境中端到端优化3D对抗纹理的攻击框架，实现高达96.7%任务失败率

15B多域RLVR后训练，30-50%更短推理链

500题+5级层次化评估协议，证明主流视频MLLM在长视频细粒度时空证据定位上几乎全部失败（Level-5最高仅1%）。

视频扩散模型在前几步去噪就锁定路径，由此提出 ChEaP，把长程迷宫准确率从 7% 拉到 67%。

首个用 VQA 四层级问答评测学术插图逻辑正确性的细粒度基准

在4B参数T5Gemma编解码器上引入PM-RoPE跨注意力机制，实现多语言零样本TTS。

Sony AI 发布音效基础模型，集成音频编解码、文本对齐、文本到音频与视频到音频扩散生成

提出AutoMIA框架，自动发现并演化成员推理攻击策略，在多模型上超越人工设计基线。

首个覆盖17种语言、3400张数字+拍照文档的多语言解析基准，揭示开源模型在拍照与非拉丁脚本上大幅崩塌

用合成光流替代合成视频，解耦运动与外观生成高动态视频。

用端到端微调 LLM 从新闻预测供应链中断概率，显著优于 GPT-5 等基线。

提出无模型调用的轨迹信号分类体系，将智能体采样信息率从54%提至82%

系统教程：将科学发现重构为黑盒优化问题，详解GP-UCB等BO核心组件并以5个真实科学案例验证。

用稀疏自编码器定位昆虫部位，再让多模态大模型生成可解释的形态特征描述。

用冻结LM做教师配合层间KV共享，在零额外参数下恢复VLM的语言能力。

提出不确定性感知多智能体框架，让 LLM 编码代理像人类开发者一样识别指令缺失并主动提问。

实证分析 ColBERT 类晚期交互检索的长度偏差与 MaxSim 相似度分布。

用模块化桥接方案将前馈重建与扩散生成统一为协同框架，从稀疏无位姿图像恢复高保真三维网格。

MultiGen 用显式外部记忆+三模块架构，让扩散游戏引擎支持关卡可编辑与多人一致性

为视频世界模型引入主体状态token与空间RoPE偏置，解决多智能体动作绑定难题

把FlowEdit速度分解为保真项与引导项，仅缩放引导项即实现稳定滑块控制。

提出并行执行范式与 EAGER 框架，将 LLM 代码生成与执行流水线化以降低端到端延迟。

统一VLM框架，融合情景记忆+数据关联+探索策略，跨视角生成一致物体描述

首个动作条件化的第一人称视频世界模型，融合人体姿态联合建模。

冻结 MoE-LoRA 栈 + 零空间投影 + 经验路由,发现适配器实际编码可迁移的认知原语。

用稳定性评分定位大模型中的稀疏"祖母细胞"，并在 7 个模型中验证其因果操控性。

基于XEUS与SelfCTC的通用音素识别SOTA模型