推理 SFT 跨域泛化受优化、数据、模型能力三者共同调节

用集体轨迹驱动智能体技能自动进化的多用户闭环框架。

153 个真实日常任务评测前沿 LLM 代理，仅最强模型完成 33.3%

腾讯混元具身基础模型家族，MoT+自进化训练+蒸馏，2B 小模型 SOTA 22 基准。

NUMINA 是一个无需训练的文本到视频框架，通过挑选可分实例的注意力头构造可数布局，引导再生过程，使视频中的物体数量与提示数字精确对齐。

利用T2I一致风格映射，构建170K风格/400K内容的1.4M风格配对数据集。

17B视频生成模型实时驱动全双工对话虚拟角色

用on-policy训练+软嵌入解码让dLLM并行度翻倍且不丢精度。

以外化为统一视角，重构 LLM 智能体从权重到 Harness 的演进逻辑。

用高斯分布匹配重写GRPO优势函数，破解多任务奖励拓扑不均衡。

首个在线可复现的个性化+主动式移动智能体评测基准

完全开源多模态网页智能体,纯截图操作,在浏览器任务上击败同规模开源模型

提出HDPO强化学习框架，解耦准确率与工具效率奖励，教会多模态智能体Metis“何时不用工具”。

开源 3D 框中心化的空间数据引擎，合成 3M 多任务样本让 VLM 在空间推理基准上平均提升 14.1%。

基于音视频片段时序重排的免标注自监督RL后训练框架，通过三种模态编排策略提升全模态推理能力。

图结构+反向扩散，让 Agent 检索到可执行的最小技能包。

用单个前沿教师模型结构化合成轨迹，将9B小模型在WebArena上提升至41.5%

用1.13M合成试穿三元组与精确尺寸标签，首次教会VTO模型“衣服合不合身”。

6B参数SVLM做查询感知压缩器+ATA动态分词，刷新长视频理解SOTA。

用预训练视频扩散器当价值模型，联合预测未来本体状态与价值，突破VLM在长程任务中的时序建模瓶颈。

DBCooker：基于LLM的数据库原生函数自动合成系统，三大模块协同覆盖声明解析、参考单元复用与自适应编排，在三大主流数据库上平均准确率提升34.55%。

面向可形变物体操作的物理对齐真-仿-真数据合成管线。

OmniBehavior：首个用快手真实日志构建的用户模拟基准，揭示LLM的积极性偏差与人格趋同。

用轻量级 Layer Router 在层粒度动态路由全/稀疏注意力

三阶段半监督蒸馏框架，将视觉基础模型压缩为11倍小的实例分割专家。

用LLM驱动的渲染智能体将文本转为带物理光照的3D场景代理以引导视频生成

把一致性与视觉接地作为硬约束的GRPO变体，让多模态推理既准又真。

首个系统评估LLM隐式记忆能力的认知科学基准，揭示当前模型无法将经验转化为自动化行为。

基于宝可梦Z-A的3D长视距VLM基准，揭示当前视觉语言模型的物理死锁恢复瓶颈。

构建大规模个性化美学评分数据集与用户条件奖励模型，让文生图生成对齐个体审美

双分支 flow matching 视频生成模型，联合建模视觉与 V-JEPA2 物理潜变量

用序列级强化学习一次性预测整条ISP流水线及参数，避免逐步决策的不稳定。

训练免费的跨模型能力迁移框架，将能力编码为低维潜空间方向

用合成数据集 + LoRA 微调让 DINOv2/DINOv3/RADIO 等纯视觉基础模型在零样本异常检测上首次反超 CLIP 类方法。

用闭式仿射对齐抑制成对光度噪声，PAL损失让监督更专注内容修复

用多奖励 Langevin 动力学 + 提示感知自适应策略，在推理时免训练、免反演地引导扩散/流匹配模型

用层内神经元共激活相关图作中层表征，证明VLM跨模态组织具有可预测、可结构化与可因果干预的行为意义。

提出 HiExp 框架，将搜索代理的随机探索转化为基于分层经验引导的策略性搜索

构建跨文化基准评估VLM从图像推断文物元信息能力。

用 Roofline 物理模型把 LLM 异构边缘部署的能量建模、布局优化和候选验证全部从启发式升级为第一性原理。

把多相机像素投到共享圆柱面,用非学习的几何距离注意力做强多视图一致的环视深度估计。