提出首个面向多Agent环境感知评测的端到端基准，包含2.4K高密度标注的多视点游戏视频QA对，揭示MLLM在时序推理和跨视频理解上的显著不足。

用结构化文本描述3D空间布局作为中间推理链，提升MLLM的空间推理准确率

AutoGaze：3M参数前置模块裁剪冗余patch，实现19×加速

将查询分解为逻辑树，用轻量专家做多模态帧选择，无需训练即可超越迭代方法

基于视频的2D VLM框架，实现语言定位与视角感知3D推理

提出Chain of Events范式，通过构建时序事件链提升MLLM的视频事件预测能力

通过将预测损失扩展到所有token并引入深层自监督，大幅提升视频自监督学习的密集特征质量

Video-SFT提升视频理解但损害图像能力，本文揭示这一"时间陷阱"并提出混合帧策略缓解

STTS 在 ViT 和 LLM 中统一剪枝视觉 token，50% 剪枝提速 62%

首个视频到网页生成基准，用细粒度视觉评分标准评估MLLM复现能力

2万题音视频联合推理基准，揭示最强模型仅64.2%准确率

VLM在视觉实体追踪任务上接近随机猜测，SGCoT推理链突破90%准确率

VST让视频大模型在流式观看时同步推理，兼顾实时响应与深度思考

提出分段级记忆机制实现流式视频多轮问答，解耦感知与生成

用测试时训练在线更新快权重，实现长视频流式空间理解

用执行视频训练奖励模型评估计算机代理任务成功率

统一因果时空注意力视觉骨干，支持流式感知、几何重建与具身控制

ROVA框架通过结构化时空扰动与自反思难度调度，提升视频推理在真实世界扰动下的鲁棒性

用文本LLM初始化视觉编码器替代CLIP，紧凑模型达SOTA

提出主动式视频理解框架，让AI像人类解说员一样自主决定何时开口、说什么。