过程验证的多模态智能体基准，评估视觉扩展与知识扩展的协同能力。

用反向几何变换搬运图像 token，使 MLLM 在单图条件下完成邻近视角的 3D 空间推理。

提出 COSMIC 基准，评估两个 MLLM 代理能否通过多轮对话整合不同第一人称视角以形成共享空间心智模型。

通过熵引导层选择+正交融合+RoPE交叉注意力整合SigLIP与DINO双编码器，让VLM在视觉理解与定位任务上同时提升约5%

500题+5级层次化评估协议，证明主流视频MLLM在长视频细粒度时空证据定位上几乎全部失败（Level-5最高仅1%）。

用稀疏自编码器定位昆虫部位，再让多模态大模型生成可解释的形态特征描述。

美团 LongCat 团队提出 DiNA 范式，把视觉/音频也词表化为离散 token，用统一自回归统一多模态。

首个基于掩码扩散的8B全模态统一模型，在单一架构中实现文本、图像、语音、视频的任意理解与生成

首个无模板的单目RGB视频4D手-铰接物体重建框架，MLLM引导对齐。

提出智能工作流构建大规模结肠镜病变数据集，评估MLLM医学视频理解能力

提出基于VQA的自动化评估框架CREval和基准CREval-Bench，解决复杂创意图像编辑的评估难题

将对话历史音频压缩为固定latent tokens，降低成本同时保留ASR增益

通过提取VLM扩散模型中间层特征注入3D生成，实现背面语义可控

首个万亿参数科学多模态MoE模型，突破100+科学任务

两阶段自进化框架训练4B模型达81%成功率，超越人类水平

提出首个面向多Agent环境感知评测的端到端基准，包含2.4K高密度标注的多视点游戏视频QA对，揭示MLLM在时序推理和跨视频理解上的显著不足。

PEPO：通过视觉感知与探索耦合的token级优势估计优化多模态推理

首个支持流式视频中动态注册个性化概念并实时问答的免训练框架与基准

用特征轨迹的曲率作为语义变化的几何探针，把流式视频帧动态路由进高清清晰记忆与低分辨率模糊记忆，在严格 token 预算下取得超 10% 的绝对提升。

VTC-Bench：基于32种OpenCV工具和680题，评估MLLM的视觉工具链能力。