以观测状态为对齐对象的两阶段后训练，让视觉智能体真正获取并依赖工具返回的证据。

让每个LLM层按自身语义状态动态门控选择全部ViT层视觉信息，实现自适应全层连接

首个以情景/答案依赖链度量视频对话记忆的基准，最佳模型仅得45.7%

TurnWise 以回合级信用分配与回合均值聚合改进流式视频 GRPO

视频生成质量是多模态理解沿数据-条件-对齐-评估全链路的投影，可灵分享全栈工程经验

四个可解释摄影令牌统一驱动360°方向选择、裁剪排序、门控精修与量化解释

构建上下文-焦点-观测点计划，让模型学会先判断该看什么再主动取证的视频描述框架

提出Lab2Sim基准与EduVideo2Code框架，把实验视频变成可交互的虚拟实验

用潮汐式调参与模态协同，把数字与物理伪造、图像与视频检测统一进单个2B参数模型

首个自我中心身体运动理解基准：最强MLLM仅50.0%，显著落后人类的68.5%

可见状态监督补答案级监督之欠规范，测试时因果视图搜索按需扩展证据

免训练的预测一致性证书决定每步是否读图：0.35×FLOPs保住99.6%分数

验证检索头随模态扩展而共享保留，训练其注意力使文档检索R@1提升6.03点

首个为流式视频理解引入ask动作的多轮基准，评估模型面对不确定性时何时提问、问什么、何时作答

提出'代码即视频描述'范式并构建323视频基准，代码保留视频信息优于自然语言，动态时序仍最弱

按时间序回放异构空间监督并平衡接口损失，让单一模型同时提升三类流式空间基准

有效比特预算而非量化误差决定离散视觉token的语义容量，FVQ追平连续表示

用单图多区域合成数据加 RLVR 训练"连接证据"能力，泛化提升空间感知与长上下文

首个可验证的人机闭环交互环境与基准：最强MLLM助手通过率仅41.7%，感知、记忆与通信是主要瓶颈

反向蒸馏加组内设计奖励的两阶段训练，让提示词增强器显式学会光照、构图、版式与细节设计。