要求Doc-VQA同时输出元素级BBox引用与答案，揭示『答案对但证据错』的归因幻觉。

用人类第一人称视频做数据引擎生成物理QA，先训VLM再双通路迁移到VLA

把"文本步骤+状态卡片+多视图关键帧"打包成可复用的多模态技能，用分支加载避免污染主上下文

实时交互式人体服装视频定制，23.8 FPS 单卡推理

揭示OPD高效的"预见"机制，并提出EffOPD加速训练3倍

面向MuJoCo的灵巧手操作基准+低成本遥操作工具包，1.1K人类示教。

提出 HarnessAudit 框架，把整个执行轨迹而非最终输出当作安全审计对象，并通过 210 个真实任务揭示主流 LLM Agent 系统在合规、执行、保稳三方面普遍存在的偏离。

提出 CoRD 框架，让多教师 LRM 协同逐步解码合成高质量长 CoT 推理数据。

单步训练视频扩散GRPO，6倍加速且匹配全轨迹性能。

用策略级提示诱导多样化推理轨迹，让 RLVR 探索效率提升 8 倍

用局部化、领域专属感知损失提升离散 tokenizer 的文字与人脸重建与生成质量

用解耦的跨注意力机制让游戏世界模型生成可被策略引导的自主 NPC

冻结LLM权重，用四智能体+可训练知识图谱的闭环系统让代码生成越用越强。

用 Hölder 平均统一 GRPO 系列聚合方式，提出动态 p 退火。

首个端到端联合优化设计者与执行者的自动多智能体强化学习框架。

针对几何画图的点级精度需求，提出依赖结构规划+像素级执行的GUI智能体框架

用LLM智能体自主设计混合LLM架构，在1B规模上以原创的AIRAformer和AIRAhybrid结构超越Llama 3.2与Nemotron。

理论上证明激活引导把残差流推到任何提示都不可达的状态。

给VLM加个34M轻量深度头，单次前向同时输出稠密深度图与语言回复。

同一权重暴露两条等价解码路径，让模型在 H100 与 H20 上同时达 roofline 最优。

用检查表引导的自训练规划器+VLM奖励驱动的工具编排器，解决抽象长程图像编辑难题

用冲突感知贪心算法从3D资产精选稀疏全景帧

提出可量化指标 ECC 与交错训练策略,系统性解决 LLM 智能体在新环境中的过早利用失败。

SAE约束CLIP微调，仅在语义特征空间内做特征重加权

用普通iPhone Pro+ARKit收集小时级第一人称视频数据集STERA-10M。

把少步图像生成全程搬进球面隐空间，省去反复的像素-隐空间切换。

把失败轨迹转成修正样本，让模型同时学会做对与改对。

多视图前馈框架，10秒重建可动画3D高斯头像，49 FPS实时驱动

用电路归因+零空间投影+NF4量化下限,让反学习在4位压缩下不复活

用 LLM 先验从纯观测轨迹中归纳可执行 POMDP，摆脱对真实隐藏状态的依赖。

工业维护 MCQA 基准，揭示 LLM 在规则触发后更像模板匹配而非逻辑推理

把静态 3DGS 场景拆解成可编辑、可物理交互的对象化场景。

用潜空间整流流把变化检测重构为掩膜生成，刷新四项基准 SOTA。

三阶段审计揭示物理VLM评测三大测量偏差，并发布干净语料+RL配方

用Hodge分解提取MoE专家合并中不可约的高阶障碍，驱动学习自由压缩

审计152篇GFM论文,揭示领域评测乱象并提出六项改进建议

用参考样本均值漂移控制预训练流匹配模型

把平面图重建任务建模成序列到序列的自回归生成，用可学习锚点引导的解码器一次预测一个带语义标签的角点。

解耦可迁移动作与具身外观的跨具身视频生成，仅用未配对视频即可适配新机器人。

PROOFGRID 基准用机器可检验的证明代替最终答案来评测 24 个 LLM 的真实演绎推理能力。

提出多语种检索评估协议，揭示语义相关与查询语言偏好是两个独立维度。

用外部 AuralFuser 模块给 SAM2 注入音频，金字塔提示避免稀释。

仅凭页面 UI 操作轨迹即可识别 14 款大模型的浏览器代理身份