通过工具调用重采样解决思考-行动差距，提升智能体推理能力

提出MM-CreativityBench基准和affordance-grounded对齐方法，提升LMM在视觉环境中的创造性工具改用能力

提出模态翻译协议与SSC准则，诊断VLM视觉集成失败。

利用图像分割作为生成代理，统一多模态模型的理解与生成能力

首个聚焦目标感知表示的多模态表格学习基准(40数据集)

统一框架下的高质量图像生成与精确图像编辑模型，支持长文本渲染、多语言排版和高分辨率照片级生成

把模态间隙重新解读为各向异性残差，用子空间+极坐标+先验校正做无配对模态对齐。

首个统一多模态领域泛化基准，揭示专门方法相对ERM基线仅有微弱提升。

用可微高斯溅射替代硬投影，从理论上消除跨模态熵坍缩，让稀疏点云真正吃进图像先验。

基于视频扩散先验的统一框架，单模型支持15种像素对齐任务的文本/视频间多模态生成。

统一文本概率空间的多模态蒸馏框架，含视觉切换与动态双向 logits 差异损失。

首个统一声音、音乐、语音三大域理解、生成、编辑的端到端多模态框架。

首个开放前沿通用LALM，支持30分钟长音频理解和时间锚定推理

用视觉语言联合推理自动生成相机轨迹，实现精准可控视频生成

发现视频理解数据集严重依赖语言捷径，提出仅用视觉基础问题后训练提升模型性能

DISCO多模态扩散模型实现蛋白质序列-结构协同设计，无需预定义活性位点即可设计出新酶

将因果LLM转换为双向编码器，解决灾难性遗忘，实现模态组合

通过连接生成和理解能力，提升统一多模态模型对退化图像的鲁棒性

统一2D/3D生成，用跨模态一致性约束缓解3D数据稀缺问题

用冻结LM做教师配合层间KV共享，在零额外参数下恢复VLM的语言能力。