用语言模型作推理接口，把科学专用基础模型（Tsaheylu 接口）接入智能体系统，让多模态科学任务效用更高、Token 更省。

提出五级视觉智能分类法，系统梳理视觉生成从单步渲染到世界模拟的演进路线。

并行训练多领域专家并在训练中持续互蒸馏，保持行为一致性以提升能力整合效率。

用CoT验证式奖励模型+GCPO算法显著提升图像编辑模型的指令遵循能力

构建方法级演进图谱,为 AI 智能体提供可推理的研究基础设施

把 GPU 当无状态工人池，破解 PP 权重绑定难题

从公开工作流信号动态构建、对服务调用与本地修复联合评分的活体智能体基准

用第三人称视频生成作为中间表征，把任务指令转化为可执行的人形机器人行为，无需任务专属数据采集。

将Fréchet距离直接作为生成器训练损失,只需解耦估计与梯度规模。

把剩余生成长度建模成折扣回报预测问题，用一个轻量价值头解码时控制生成长度。

NVIDIA开源30B-A3B MoE全模态模型,文本图像视频音频全支持。

提出ARA协议:把论文从叙事文档重构为四层机器可执行知识包,提升智能体复现能力。

首个端到端可学习的任意骨骼单目视频动作捕捉框架，用参考姿态-旋转对锚定坐标系解决旋转歧义

用 persona 合成虚拟计算机，让 agent 在上跑 2000+ 回合的月度生产力仿真。

步级事件驱动级联：用小模型做默认策略，两个轻量监测器按需升级到大模型。

首个评估多模态智能体处理模糊用户指令的交互式网站生成基准

用物理属性图+VLM反馈把可控物理合成注入视频扩散模型

揭示LLM在推理任务中偏好任务合理性胜过指令遵从，并提出激活层干预方案。

把多维视觉偏好的二值化标签当作半监督噪声标签，时间步伪标签自训练化解 DPO 梯度冲突

用3D语义占据把真实场景搬进Minecraft，并配套大规模数据集和VLN导航验证

构建百万级多方言指令数据集并微调LLM可控生成阿拉伯诗歌。

提出 Poly-DPO 算法并构建百万级视觉偏好数据集，解决偏好优化难以规模化的问题

首个针对长上下文LLM的优化式红队加速框架，2-7倍提速、2-4倍省显存。

实证证明医疗/法律领域的良性微调会让模型安全性大幅且不可预测地变化，挑战基模型评估可继承的假设。