同步生成RGB、深度和光流的4D世界模型，实现高精度机器人操作
Haoyu Zhao, Xingyue Zhao, Siteng Huang, Xin Li, Deli Zhao, Zhongyu Li
4D场景建模
世界模型
扩散模型
机器人操作
视频生成
AlayaWorld通过3D缓存与误差库实现可玩视频世界生成。
AlayaWorld Team, Kaipeng Zhang, Chuanhao Li, Yifan Zhan, Yongtao Ge,...
Interactive AI
Long-horizon Consistency
Real-time Rendering
Video Generation
World Models
用生成式世界模型替代真实机器人，实现实时数字遥操作数据生成
Haoyu Zhao, Xingyue Zhao, Hangyu Li, Biao Gong, Kehan Li, Siteng Huang, Xin...
Sim2Real
世界模型
机器人学习
视频生成
遥操作
提出端到端可学习的层级稀疏注意力机制，实现超长上下文外推和高效推理
Xiang Hu, Xinyu Wei, Hao Gu, Minshen Zhang, Tian Liang, Huayang Li, Lei Zhu,...
大语言模型
推理加速
注意力机制优化
稀疏注意力
长上下文建模
Gemma 4：具备思维模式的原生多模态开放模型家族，在推理和多模态理解上实现显著性能提升
Gemma Team, Sherif El Abd, Vaibhav Aggarwal, Robin Algayres, Alek Andreev,...
MoE架构
多模态大语言模型
开放权重模型
思维模式
量化感知训练
统一多模态生成框架实现异构视觉任务
Xiaoyang Han, Jianhua Li, Kewang Deng, Zukai Chen, Xuanke Shi, Sihan Wang,...
基础模型
多模态学习
统一视觉模型
视觉生成
通过半自回归生成和硬件感知调度，将LLM推理速度提升60%-85%
Xin Cheng, Xingkai Yu, Chenze Shao, Jiashi Li, Yunfan Xiong, Yi Qian, Jiaqi...
大语言模型
并行生成
投机解码
推理加速
系统优化
提出最小可行流水线，用文件系统工具替代复杂优化，加速智能体技能进化
Yifei Shen, Bo Li, Xinjie Zhang
Agent Optimization
File-Centric Design
Self-Evolution
Zeroth-Order Optimization
用LLM导师动态调整提示词难度，解决强化学习中提示词与策略能力不匹配的问题
Yujin Kim, Namgyu Ho, Sangmin Hwang, Joonkee Kim, Yongjin Yang, Sangmin Bae,...
奖励建模
强化学习
指令跟随
提示词工程
课程学习
通过潜在全局规划和事件因子化注意力，实现无损并行自回归视频描述解码
Wenzheng Zeng, Siyi Jiao, Chen Gao, Hwee Tou Ng, Mike Zheng Shou
事件定位
多模态学习
密集视频描述
并行解码
自回归模型
通过双上下文状态实现低延迟、高效率的长视频理解
Chang Nie, Jiaju Wei, Junlan Feng, Chaoyou Fu, Caifeng Shan
多模态大模型
智能体
检索增强
视频理解
长期记忆
通过大规模数据扩展、动作空间增强和预测动态建模改进VLA模型的实际部署能力
Wei Wu, Fangjing Wang, Fan Lu, He Sun, Shi Liu, Yunnan Wang, Yibin Yan, Yong...
VLA模型
基础模型
多模态学习
机器人控制
移动操作
通过回合级预算策略优化长期Agent的在线策略蒸馏效率
Yuhang Zhou, Kai Zheng, Haoling Li, Dengyun Peng, Can Xu, Jingjing Chen
多轮Agent
强化学习
策略蒸馏
自适应预算
训练效率
基于像素空间扩散的单目3D点图预测方法，无需VAE，边界更锐利
Haofei Xu, Rundi Wu, Philipp Henzler, Nikolai Kalischek, Michael Oechsle,...
3D重建
单目深度估计
扩散模型
视觉Transformer
京东构建的工业级商品知识平台，实现数百亿SKU的高质量知识生产与服务
Oxygen AIIC, Chan Long, Chao Liu, Chaofan Chen, Chaohui Dong, Chunyuan Guo,...
LLM/VLM
商品理解
工业级部署
电商知识工程
知识图谱
统一双向与自回归视频生成的灵活分块框架，实现质量与效率的动态权衡
Xinyin Ma, Julius Berner, Chao Liu, Arash Vahdat, Weili Nie, Xinchao Wang
双向注意力
扩散模型
推理效率
自回归生成
视频生成
让多模态大模型通过生成SVG代码进行可视化推理，提升空间理解能力
Kangheng Lin, Jisheng Yin, Dingming Li, En Yu, Yana Wei, Han Zhou, Liang...
SVG可视化
多模态推理
强化学习
思维链
空间理解
提出三模式LM，联合AR和扩散训练，实现AR/扩散/自投机三种解码方式，在精度和速度上超越SOTA开源模型
Yonggan Fu, Lexington Whalen, Abhinav Garg, Chengyue Wu, Maksim Khadkevich,...
并行生成
扩散模型
推理加速
自投机解码
语言模型
CanvasAgent协调11种视觉工具实现复杂图像创建与编辑。
Hairui Zhu, Yiying Yang, Tengjin Weng, Ziyu Lu, Xiao Yao, Xiaoyang Ye, Lin...
图像编辑
多模态智能体
工具使用
强化学习
视觉编排
从理论上证明MaxSim相似度的表达能力，并提出Signed MaxSim扩展以支持否定查询
Julian Killingback, Varad Ingale, Hamed Zamani, Cameron Musco
信息检索
向量表示
晚交互模型
理论分析
提出三阶段框架解决以自我为中心的3D场景生成中的视角一致性和几何精度问题
Zhenyu Sun, Xiaohan Zhang, Qi Liu, Huan Wang
3D场景生成
几何一致性
多视角生成
文本到3D
高斯泼溅
通过智能体代码审查将AI生成的PR从开环转为闭环
Ruoyu Wang, Jierun Chen, Shaowei Wang, Chaofan Tao, Sidi Yang, Yuxin Jiang,...
AI编程助手
代码审查
智能体
软件工程
TREK扩展GRPO探索支持，提升数学和Agent性能
Yuanda Xu, Zhengze Zhou, Kayhan Behdin, Jelena Markovic-Voronov, Hejian...
Agent
大语言模型
强化学习
数学推理
知识蒸馏
系统刻画MLLM生成时逐token注意力动态，并用注意力阻断与增强干预验证因果并提升性能
Varun Gupta, Vineet Gandhi, Makarand Tapaswi
多模态大模型
机制可解释性
注意力干预
注意力机制
自回归生成
1B 端到端 OCR VLM 系统升级：DFlash 推测解码提速，Agent 数据流扩长尾能力。
Gengluo Li, Xingyu Wan, Shangpin Peng, Weinong Wang, Hao Feng, Yongkun Du,...
OCR 视觉语言模型
强化学习
推测解码
文档解析
智能体数据构建
从专家视频演示中学习进度排名，用Spearman相关系数作为无奖励RL的奖励信号
Yuriy Maksyuta, George Bredis, Ruslan Rakhimov, Daniil Gavrilov
奖励学习
强化学习
无奖励控制
视觉语言模型
视频演示
提出3D轨迹指导框架解决分层VLA中2D-3D表示不匹配问题
Dongyoon Hwang, Byungkun Lee, Dongjin Kim, Hyojin Jang, Hoiyeong Jin, Jueun...
3D轨迹规划
分层控制
机器人操作
点云策略
视觉语言动作模型
构建18种低资源语言的数学推理基准，揭示多语言模型在低资源语言上的持续性能差距。
Daryna Dementieva, Nikolay Babakov, Kathy Hämmerl, Ilseyar Alimova, Jindřich...
低资源语言
基准测试
多语言评估
数学推理
语言模型评估
研究发现RL训练增益集中在少量中间层，单层训练可超越全参数方法
Zijian Zhang, Rizhen Hu, Athanasios Glentis, Dawei Li, Chung-Yiu Yau,...
RL后训练
Transformer
层贡献
强化学习
模型优化
提出SOLAR：后悔门控准入+Thompson采样淘汰，破解LLM语义检索缓冲上的经典缓存失效
Yushi Sun, Bowen Cao, Wai Lam
LLM智能体记忆
RAG
Thompson采样
在线学习
竞争比分析
首个评估MLLM视听艺术理解能力的综合基准，揭示模型在艺术意图推理方面的显著短板
Yuxuan Fan, Gyusik Seo, Jing Hao, Jaemin Cho, Mohit Bansal, Jaehong Yoon
基准测试
多模态大语言模型
意图推理
艺术理解
视频理解
基于MDL原理从轨迹挖掘可复用原语，用50%数据超越全量训练
Changti Wu, Bin Yu, Zhaolong Shen, Shijie Lian, Xiaopeng Lin, Cong Huang,...
VLA模型
数据选择
最小描述长度原理
机器人操控
模仿学习
构建统一的学术写作平台，将研究、写作、发表整合到单一LaTeX编辑器中
Nilesh Jain
专利引用信号
学术写作
工作流自动化
文档转换
编辑器原生
在固定化学基表下对照BPE与Unigram-LM，证明二者构建近乎不相交的子词词表。
Hunter Heidenreich
BPE
SMILES
Unigram-LM
tokenizer
化学信息学
首个无需预设相机轨迹的户外3D场景生成框架，自动调度视图并提供对象级外观和几何控制
Geonung Kim, Jeongeun Park, Nuri Ryu, Di Liu, Sunghyun Cho
3D场景生成
3D高斯溅射
几何条件化
对象级控制
扩散模型
提出CLeaD对比对齐框架，并揭示跨语言抑郁检测中说话人身份泄漏的评估缺陷
Anisha Pattanayak, Hanie Kang, Huang-Cheng Chou, Shrikanth Narayanan,...
WavLM自监督语音模型
层间表征分析
监督对比学习
说话人身份泄漏
跨语言抑郁检测
利用LLM生成可执行规则，实现高精度、可解释的NLP任务系统
Ádám Kovács, Nadia Verdha, Gábor Recski
LLM知识蒸馏
人机协作
信息抽取
规则学习
Bridge模块解决跨空间蒸馏，让SD 1.5从现代教师学习高质量生成
Anh Nguyen, Ngan Nguyen, Duc Vu, Trung Dao, Viet Nguyen, Quan Dao, Kien...
扩散模型
模型蒸馏
生成式AI
知识迁移
跨空间对齐
提出实时神经模拟框架，从图像构建交互式3D环境，解决具身导航数据瓶颈
Zihan Wang, Seungjun Lee, Yinghao Xu, Gim Hee Lee
3D场景重建
具身导航
数据生成
神经模拟
视觉-语言导航
提出SiamJEPA，首次系统揭示JEPA中孪生学生编码器作为有效正则化器，提升表示质量并加速收敛。
Makoto Yamada
JEPA
孪生编码器
自监督学习
表示学习
视觉Transformer
提出VIBE框架，通过开放式生成任务评估LALMs的性别和口音偏见
Yi-Cheng Lin, Yusuke Hirota, Sung-Feng Huang, Hung-yi Lee
偏见评估
公平性
开放式生成
机器学习
音频语言模型