提出基于置信度的递归推理框架，让模型自我修正提升精度

用三阶段训练和数据工厂将通用VLM转为OCR专家，OmniDocBench达92.94%

通过视觉侧局部聚类+语言侧文本引导逐层剪枝的双阶段框架，实现VLM的极致token压缩

构建AI游戏商店平台，用100款人类游戏评估VLM与人类的通用智能差距

提出动作感知SFT和保守RL框架，解决GUI代理推理-定位干扰和部分可验证奖励下的训练不稳定问题

对比多模态与纯文本输出分布，动态抑制语言先验，有效减少LVLM物体幻觉

ArtiAgent智能体框架自动合成图像伪影数据，训练VLM超越GPT-5的伪影理解能力

通过能力反思和记忆反思机制，实现VLM稳定迭代自我修正的OCR框架

从 VLM 的 token 概率中提取隐式任务进度信号，实现零样本机器人奖励估计

首个利用块离散扩散实现并行解码的OCR视觉语言模型，推理速度提升5倍

仅0.5B参数的VLA基线通过标准化训练细节实现SOTA，超越数十亿参数大模型。

提出10.3万规模的多模态数学数据集，通过三阶段自动清洗管道构建，显著提升视觉推理能力

提出VIG指标量化视觉贡献，通过选择性训练提升LVLM视觉接地能力

阿里达摩院开源具身智能基础模型，统一感知/推理/规划，四个核心能力全面超越SOTA

通过微小图像扰动，在多轮对话中隐蔽地注入针对特定话题的恶意输出

利用VLM视觉接口实现异构多智能体间无文本潜空间通信

通过嵌入器引导的强化学习优化思维链，提升多模态检索嵌入质量

提出对话式图像分割任务与基准，用自动数据引擎生成106K训练对，轻量模型超越大模型基线

通过异步批量推理框架将VLM语义知识蒸馏到轻量RL策略，实现实时自动驾驶

字节跳动医疗AI团队提出的医疗视觉语言基础模型，在30+基准测试中达到SOTA性能。