揭示 VLM 靠语义标签“短路”视觉推理的失败机制

首个强调感知中心推理的复杂视频理解基准，现有最强模型准确率仅45.96%

通过锚定令牌机制实现粗到精的视觉指向，提升VLM在图像、GUI和视频中的定位精度

提出双智能体自进化架构，通过GRPO强化学习提升MLLM长链视觉推理能力

VLM对问题表述方式敏感，不同格式下视觉注意力分配差异显著

通过熵感知的离散-潜在推理模式切换和视觉锚点注入，缓解多模态推理模型幻觉

评估多模态大模型在多层条件分支推理中的视觉理解与决策能力

提出家庭安全基准和双脑架构，实时检测具身智能体危险行为

揭示冷启动中视觉注意力不足的瓶颈，提出AVAR框架重塑注意力分配，平均提升7%

用LLM隐藏态回灌视觉编码器，构建视觉-语言双向推理回路。

首个系统评估「生成能否帮助理解」的统一多模态模型基准，覆盖3000样本×35模型。

首个覆盖7类推理、21项任务的真实生活多图像推理基准，揭示SOTA MLLM的巨大差距

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

DPE 通过诊断-生成-强化闭环迭代，用 1K 种子数据让 8B 多模态模型超越 72B 模型

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

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

为记忆智能体引入动态可靠性评分，解决检索噪声导致的过度自信错误。

揭示RL微调VLMs在文本扰动下的脆弱性及准确性-忠实性权衡现象

首个开源视觉语言模型，在物理奥赛中斩获12枚金牌，排名第3

训练无关的智能体框架，动态切换四种认知模式实现自适应推理