通过分层扩散框架实现内容保持的视频编辑，生成编辑层和alpha遮罩与源视频合成

通过参考图像锚定的点跟踪统一实现视频外观和运动控制

MeshFlow利用等变流匹配在亚秒级内生成高质量三角形网格。

提出双用途MAE-CNN标记器，同时支持临床预测和可控生成

通过挖掘社区LoRA构建大规模数据集，实现高质量的风格-内容双重参考图像生成。

提出两阶段框架，3-5分钟生成单一3D网格，从不同视角呈现不同语义的错觉效果

发现训练随机性比采样随机性更大，FID评估存在1-2%系数变异的噪声底

通过稀疏3D边界框实现精确的多对象视频生成与编辑控制

首个原生面向物理AI的世界模型，跨具身课程+混合线性时序记忆

提出判别器引导的强化学习(DRL)，在不依赖人类偏好的情况下修正流匹配模型的分布偏差

首个大规模开源均匀扩散语言模型，7B参数训练1.5T token

首个针对扩散LLM的自蒸馏框架，用自生成答案作后缀条件，步级监督提升推理能力

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

首次提出RefGC-SR²任务，利用原始高分辨率参考图联合修复生成伪影并提升分辨率。

融合物理渲染与生成先验，实现可控高保真城市场景逆渲染

用双查询记忆机制与主体重建任务约束长视频身份一致性

用 Noisy ViT 编码器统一视觉空间，解耦扩散解码器与文本解码，实现理解与生成的协同提升。

从冻结扩散Transformer提取多模态感知信息

用"相机栅格视频"作为视觉化的相机表征，实现无需跨配对数据的多镜头相机运动克隆。

像素对齐多层几何表示，同时实现可见表面重建与遮挡几何生成。