用MLLM四大原子操作管理世界模型空间记忆，稀疏化83.68%的同时提升长视频一致性与稳定性

以主动生成为统一接口，让流式视频模型边观察、边记忆、边及时响应

结合事件历史推理与主动视角选择，零样本抓取被遮挡的事件指称目标

从505张真实户型图SFT加GRPO规则奖励，直接生成可编辑家具布局并转3D场景

教师看空间提示、学生只看图，3000张合成计数图自蒸馏出可迁移的真实视觉感知

让多模态大模型在LLM内部想象出紧凑3D高斯场景再作答，空间推理大幅超越像素级几何注入

用答案对比定位监督位置、视觉对比定义监督内容，让潜在视觉推理真正扎根图像证据

让MLLM在视频生成前显式思考，把隐式指令推理转化为可靠的编辑条件信号

奖励模型先为每个案例自适应生成评分标准，再逐条核查并输出细粒度分数

AsyncLLM框架让LLM以async/await协程共享记忆，无需微调即成通用异步智能体

首个以多会话生活轨迹评测流式视频助手跨会话持久记忆的基准，揭示效用-延迟-存储三难权衡

低DPI全局概览加按需高分辨率区域增强，打破视觉文本压缩的压缩率-性能权衡

无编码器多模态模型前期更耗算力但损失下降更快，预计约10^22 FLOPs处反超有编码器架构

把修图从自回归生成改为条件流匹配直接产出工具参数，延迟降50倍

用低秩MLP预测每层视觉记忆，免剪枝加速多模态推理且保留全部视觉token

六个前沿通用模型在34项能力、55个基准上的全景评测，划定通用视觉的能与不能

用问答式重建预训练与带视觉补偿的空间思维链微调，让VLM显式用几何推理解答空间问题

提出EMem-Bench基准与EMem记忆系统，诊断并缓解具身智能体的四大记忆缺陷

构建科学图像可解释验证基准，用两阶段课程RL训练8B验证器，媲美更大闭源模型

将文档渲染为图像并压缩成视觉令牌做重排序：令牌减少16.5%–35.5%，精度反超同级文本模型