把智能体技能文档当作可训练参数，用带学习率与验证门控的文本空间优化器迭代修订。

用可学习、时步自适应的softmax聚合替代固定残差，缓解DiT的PreNorm稀释。

3.8B参数文生图模型，仅用Z-Image约19.3%算力即可在多个基准上追平甚至超越6B+模型。

构建4300万论文多学科知识图谱，配神经-符号检索支撑自动化科研。

统一音频-语言基础模型，RLHF驱动ASR/TTS/实时对话三方向SOTA

PiD把潜变量解码重定义为像素扩散，统一解码与超分，4步蒸馏即可秒级生成4K图像。

SWIM 用纯文本提示实现视频物体定位，训练时用掩码监督跨模态注意力。

跨五个域系统研究模型生成技能全生命周期，揭示评估器能力与执行能力无关，并提出元技能显著提升技能质量。

用三角色LLM代理在3D场景中按语言意图闭环搜索相机参数。

首个利用视频生成模型主动合成评测场景的MLLM时空推理基准，揭示当前模型从感知到高阶推理的性能鸿沟

通过协同进化策略与解码器解决离散AR T2I模型中的潜在协变量偏移问题

用蓝图+21视图+FEA 反馈，让 LLM 智能体生成满足工程约束的 STEP 装配体。

SCOPE 用按像素时序条件化把 FPS 动作的局部分析与全局稳定解耦

用生成式3D先验以分块条件生成方式重建高保真PBR网格场景

用专用图像编辑器替代工具调用与统一多模态，让MLLM真正“用图像思考”。

用香农-哈特利定理把 LLM 训练建模为噪声信道，统一解释 U 形缩放与过训练退化。

用全轨迹后视分析挑选失败步骤，仅在相关动作片段做反馈条件蒸馏。

首个用强化学习做相机控制视频重拍的框架，用度量3D评估器约束相机轨迹精度。

把视觉感知、文本推理、视觉推理拆成三个独立阶段做后训练，VLM 的视觉推理准确率涨、推理链还变短了。

把Muon的全谱白化改成高通滤波，专攻VLA与RLVR两类低质量梯度。

双重潜在对齐框架，解决统一多模态模型理解与生成不一致问题。

通过两阶段分层token选择加速视觉几何Transformer，推理时间降低85%以上

提出 ZCP 截断思维链暴露 LLM 隐蔽数据污染的捷径映射

提出模态翻译协议与SSC准则，诊断VLM视觉集成失败。

EqR：把迭代推理视为吸引子动力学，将 Sudoku 准确率从 2.6% 拉到 99.8%

用 LM/MT 双组专家 + FFT 路由缓解多语言微调中的参数干扰

通过双流注意力模块与视觉感知适配器，让冻结 LLM 精准识别并翻译 Web 图像中的多语种文字

将加速 MRI 重建重构为离散潜在空间中的下一加速尺度预测，显著提升极端欠采样下的感知质量