评估AI智能体在真实专业工作流程中的长周期任务能力

提出首个评估代码仓库探索能力的行级基准测试SWE-Explore

从参数空间几何视角揭示OPD介于SFT和RLVR之间的独特更新轨迹与子空间锁定现象

在潜在空间直接构建3D记忆，实现高效几何一致的视频生成

将文本技能转化为LoRA适配器，实现高效模块化的LLM代理技能系统

用神经记忆索引器预测关键 KV 块，将 GPU 内存消耗降至 13.5% 同时保持精度

首个针对组合式视频编辑的基准测试，揭示当前模型在复杂多指令场景下的严重缺陷。

首个统一评估多模态智能体在异构3D环境中交互式空间推理能力的基准

研究表明心理测量问卷与LLM生成概率显著不一致，提示基于生成概率的测度更具生态效度。

通过固定backbone对照研究视频世界模型中四种记忆机制

提出LCLM编码器-解码器压缩方法，在保持模型能力的同时大幅降低长上下文推理的内存和延迟

角度控制语义，范数控制稳定性

通过构建场景记忆和技能库，学习场景感知的工具使用技能，解决 MLLM 智能体在 3D 空间推理中的工具误用问题

将视频世界模型从相机导航扩展到对象级轨迹控制，实现相机与对象操作的组合控制

提出12个UE5游戏加IDC反思框架评估VLM智能体多模式表现与自我改进能力

首个在消费级GPU上实现实时1080p视频恢复的单步生成模型

将可复用技能和SOP视为贝叶斯假设，通过验证轨迹证据指导技能演化，显著提升LLM agent任务成功率。

解耦世界规划与动作执行，异步双系统机器人策略提升闭环控制效率

通过SAE引导将Whisper幻觉率从86.88%降至27.33%

首个评估全模态视频字幕指令跟随能力的综合基准，发现格式-内容权衡现象

异构LLM集成实现分布式QD搜索，性能提升124%

通过Reward-Evaluation Skill统一异构奖励评估资源

提出多阶段门控机制,在保持准确率的同时将网络代理工具调用减少17%-58%

提出轻量级世界动作模型，通过状态融合动作解码实现高效机器人操控

文生图模型只需词义和词序，无需复杂上下文信息

Muon 因归一化方向锐度更低而获得更小的曲率惩罚

通过轨迹锦标赛提取非多样化奖励组中的细粒度推理质量信号

通过控制干预审计揭示RAG重写增益主要来自答案字符串暴露而非证据质量改进

提出LWS框架，让语音模型同时进行听、写、说三通道交互

TRD通过轨迹级修正解决OPD前缀失效问题

解耦架构加图动态规划加递归两级执行加标准锚定推理的高质量深度研究框架

首个使用Lean4依赖类型形式化语言统一建模验证LLM智能体工作流与轨迹的框架

通过神经信任函数评估弱标签可靠性，实现近无损弱到强泛化

提出物理编排框架，用VLM将VLA/感知模型/动作原语作为可中断工具进行长时程操作规划、监控与恢复。

用集合距离奖励解决胸部X光报告生成的顺序无关性问题

提出将图像作为独立的推理媒介，通过排版和图形两种变体实现高效推理

提出统一的AI评估报告框架，提供可复现性等四个解释性信号。

从语言和视频证据直接生成LoRA适配器，实现零样本机器人策略适应

通过异步系统设计和归一化修复，将视觉网页智能体的多步RL训练吞吐量提升2.9倍

通过技能记忆自演化，使医疗智能体无需更新模型参数即可持续改进临床推理能力

提出相位边缘化解决ViT密集预测中patch分割相位不稳定问题

完全基于仿真数据训练的人形机器人操作策略，实现零样本真实部署且效果超越真实遥操作数据

揭示Rectified Flow模型在插值路径上存在可被利用的成员推断泄露风险

首个MoE转密集架构框架，DO-ACP评分+纯剪枝优于D2D剪枝6.3pp

提出hacker-fixer循环自动加固Agent基准测试验证器，防御reward hacking

提出心理学摘要实证关系图提取任务，构建数据集和分阶段LLM提取管道，实现macro-F1=0.74的图提取性能

基于频谱熵路由token，DCT处理平滑token，全注意力处理复杂token，节省37%计算

余弦相似度与VLM准确率负相关，PRISM揭示潜在变量被绕过

基础LLM已具备预测外部judge评分的能力，仅需少量数据激发

通过行为指纹预测为每个输入动态分配最优检测器，平衡安全性与延迟