通过主动视觉推理实现视觉原生的多模态深度搜索代理

使用冻结MLLM作为监督器，通过属性感知梯度改进视觉编码器训练

提出三阶段框架让MLLM主动恢复损坏的视觉内容，实现像素级重建与多模态推理的鲁棒理解

提出一种推理-再推理的两阶段框架，通过合成新视角视频验证初始假设，提升第一人称视频空间推理精度。

通过优化输入图像而非模型权重，实现对冻结多模态LLM的非侵入式任务适配

发现视觉 token 在中间层饱和，提出双路径路由架构节省 25-30% 计算

首个评估全模态视频字幕指令跟随能力的综合基准，发现格式-内容权衡现象

提出"观看-记住-推理"三重框架，系统梳理基于MLLM的视频理解方法、数据集、基准和未来方向

通过在语言和潜在视觉空间之间交错推理，保留动态未来视觉结构以提升视频事件预测性能

首个机械工程图理解基准数据集与专用模型，提升多模态LLM在工程制图中的能力

GeoVR 通过从2D视频提取几何约束，零推理成本赋予MLLMs强大的3D空间感知能力。

首个多流流媒体理解基准，评估MLLMs的并发流处理能力

通过双流强化学习将视觉定位能力内化到文本推理中，无需显式输出坐标

中间训练方法显式内化 GUI 世界知识

提出DLA模块和多阶段去噪策略，整合MLLM与VAE实现高质量主题驱动图像生成

首个利用视频生成模型主动合成评测场景的MLLM时空推理基准，揭示当前模型从感知到高阶推理的性能鸿沟

用3DGS物理退化引擎构建首个评测退化下MLLM空间智能的大规模基准。

用 MLLM 把 3D 手部接触估计变成结构化提示推理，无需训练即超越监督方法。

提出平衡多维奖励的RL框架，统一效用、正确性与流畅性

首个统一图像与视频的多模态大语言模型分割框架，支持14种分割任务与文本/视觉双提示。