首个工业产品多图像理解基准，揭示MLLM跨图像整合瓶颈

提出实体锚定脚本+线索引导QA两阶段自动数据引擎，构建10万条跨模态长程推理样本。

首个系统实证 MLLM 视觉仓库表示，图谱补充可降 26% token 成本。

首个统一评估MLLM代码化参数化3D生成能力的基准，覆盖文本/图像/装配三类任务。

用世界坐标系认知地图+三阶段工具调用 Harness，把 MFM 空间推理提升 5%–18%

利用Fisher-Rao距离检测注意力转移，动态重加权token级优势以提升MLLM跨模态推理。

通过移除连续截图中的冗余视觉token，提升CUA长视距任务性能并降低计算成本

首个支持256K上下文的开源MoE多模态大模型，专注于长视频理解和智能体能力

通过构建场景记忆和技能库，学习场景感知的工具使用技能，解决 MLLM 智能体在 3D 空间推理中的工具误用问题

首个一对多时序定位框架，解决现实视频中重复事件定位问题

提出始终在线的流式音频交互模型，统一离线与实时音频任务。

首个全人工标注的流式空间智能基准，揭示多模态大模型在自我中心视频流上的空间推理巨大缺口。

用宽基线匹配任务评估并通过课程强化学习提升 MLLM 空间推理

把网页生成评测改写为需求诱导的可观察状态转移契约。

首个评估VLM代理在3D场景中基于行动反馈的空间推理能力的基准测试

VSTAT：834视频1500问题诊断MLLM的视觉状态跟踪能力

让MLLM学会何时调用、验证、信任世界模型的视频推演来预测未来。

用520个可规则验证的在线生成器-验证器环境，为视觉推理RL提供无限新鲜训练信号。

构建合成可信度基准，揭示现有检测器与人类在此新威胁上普遍失效。

从fMRI脑信号直接回答视觉问题，并附NSD-VQA受控新基准。