8B视觉交互模型，每秒自决说话、沉默或委派后台

用七角色虚拟编辑部把原始数据一步生成可追溯、可审计的多模态交互新闻。

3B小模型经Spectrum-to-Signal后训练在可验证任务上达到千亿级旗舰性能

把3D几何基础模型拆分后插入因果时序预测器，单次前向同时输出未来几何与动作

支持相机导航、场景记忆和可组合事件控制的通用世界模型

训练专用小型子智能体把仓库探索从主编码智能体中剥离，token消耗最高省60%。

混合线性注意力+KPop RL+异步流水线，构建开放高效万亿智能体模型家族

以自然语言为统一动作接口，跨场景训练具身视频世界模型。

提出TIE框架：通过置信度动态追踪可靠解码轨迹，在生成过程中实现MDLM的中间阶段集成

三级时间尺度自演化多模态智能体，边缘级联门+记忆驱动技能进化

融合物理渲染与生成先验，实现可控高保真城市场景逆渲染

550B总参/55B激活的MoE+Mamba混合架构，主打智能体长任务推理，吞吐量最高达同精度开源模型的5.9倍。

消除Encoder-Predictor分裂，将多任务推理内化于Transformer栈中

提出无标签对抗框架BadWorld，攻击自回归世界模型速度场暴露其脆弱性

用双查询记忆机制与主体重建任务约束长视频身份一致性

用双粒度框架调和文本压缩与硬件 KV 缓存对齐，显著降低长程智能体推理成本

用检索取代微调，测试时零参数更新扩展VLA到新任务

MTEB 系列首个视频嵌入基准，23 任务 × 33 模型，揭示音频贡献取决于数据标注来源。

用球面编码器替换扩散先验，无需反向传播即可在20步内恢复图像

用 Noisy ViT 编码器统一视觉空间，解耦扩散解码器与文本解码，实现理解与生成的协同提升。

用 rollout 级冲突过滤 + query 级重加权，解决多奖励聚合中正负优势互相抵消的难题。

首个联合评估代码智能与数据发现能力的数据密集型基准。

WEBSTEP通过语义MDP对偶实现1800任务的过程级细粒度诊断

TDV用因果性作为唯一弱假设，从视频时序差分中自监督学习视觉表征。

用配对3D点轨迹条件化视频扩散，实现相机可控的4D一致视频重渲染

提出混合动作空间框架和基准，评估手机代理在真实可验证工作流中的能力

双头 critic 解耦稀疏成功信号为可行性与效率，显著提升 VLA 微调效果

通过预算保留、锯齿分页和AOT负载均衡三大技术，将非均匀KV缓存压缩的理论优势转化为实际系统性能，实现高达2.6倍的吞吐量提升。

将大模型推理能力蒸馏到系统提示中，实现无需参数更新的高效推理

SAE训练中的不稳定特征集中在可重现低秩子空间，可通过跨种子特征池化构建更稳定的字典

通过解耦语义外观与几何结构实现编辑后视频长期一致性

利用参考解决方案作为密集奖励脚手架，改善LLM推理路径覆盖

从冻结扩散Transformer提取多模态感知信息

全面分析AI发展现状与趋势的年度综合报告

用潜在视觉子目标替代像素级未来预测，实现低延迟机器人控制

研究LLM在遇到合理错误论证时是否会改变正确答案，发现翻转率差异巨大（17.5%-97.3%）

提出PAUSEREC，用可训练替代显式推理链，提升LLM推荐效果并大幅降低成本

首个从单视角自中心RGB视频构建可形变物理数字孪生的框架

模块化网络中分类噪声导致桥节点治理失败，聚合指标无法检测，需位置加权评估

风格感知改写器能绕过所有检测器，但多文档分析可恢复检测能力

完全从人类数据学习的灵巧机器人抓取框架，支持零样本跨具身部署

揭秘Polymarket混合架构中的幽灵填充漏洞与攻击者利用模式

基于人类成对偏好的音乐奖励模型，支持推理优化和后训练