将RLHF和OPD应用于扩散模型，提升图像生成与编辑质量

通过硬路由和单查询场匹配，实现多能力图像生成模型的统一蒸馏

用图像编辑替代视频生成作为世界动作模型骨干，降低推理成本并提升机器人控制性能

提出基于空间频率的自适应token压缩框架，在不损失质量的情况下将DiT加速最高3.13倍

联合文本语义和视觉空间提示实现精准意图感知的图像编辑

首个在单个ViT中统一图像视频tokenization的UMM框架

用统一离散视觉token实现图像理解、生成和编辑的自回归模型

提出RE-Edit基准，揭示现有编辑模型在五维隐性推理上的普遍失败。

首个基于像素级确定性评估的精确视觉编辑基准，揭示当前多模态模型在基本栅格操作上的显著局限性。

无需成对数据，利用预训练模型自举训练流匹配编辑模型

将50个视觉效果LoRA蒸馏到单一模块，解决部署成本和特征干扰问题

通过符号化元验证和解耦强化学习实现细粒度多模态视觉验证

首个20B参数统一框架支持文本/图像/图层生成多层可编辑设计

用专用图像编辑器替代工具调用与统一多模态，让MLLM真正“用图像思考”。

用检查表引导的自训练规划器+VLM奖励驱动的工具编排器，解决抽象长程图像编辑难题

用100条偏好样本自演化技能与工具库，冻结VLM即可超越GPT-5的图像编辑奖励。

首个覆盖36类任务、融合结构化推理评分的图像编辑与奖励模型统一基准。

统一框架下的高质量图像生成与精确图像编辑模型，支持长文本渲染、多语言排版和高分辨率照片级生成

UNO：在统一多模态模型中用理解任务反向监督生成表征

京东提出统一多模态模型 JoyAI-Image，以空间智能为枢轴打通理解、生成与编辑。