让多模态大模型按问题语义动态挑选3D模态并分配专家

用VLM显式推理物体诱导效果，实现高保真视频对象擦除。

过滤在线蒸馏中既不依赖输入又高影响的虚假教师信号

解耦图像描述的覆盖率与精度，发现理解靠覆盖、生成靠精度

把自动驾驶规划变成轨迹选择题，先推理后揭示候选，治好教师的锚定偏置

逐步执行CAD操作并对比几何反馈，重建可编辑参数化程序

ReBA通过分离图文负载、每张图作为等权路由实例，解决VLMoE在不同token比例下的负载失衡。

首个联合评测准确率、记录完整性、溯源与成本的文档抽取基准

从野外视频自监督学习离散'物理语言'，先推理后渲染的物理世界模型。

三阶段框架让VLM先调用专业视觉工具，再把工具能力内化为无工具推理。

训练单个可学习令牌在值空间检索，让VLM精准定位长视觉上下文中的相关帧。

冻结 VLM 通过原子技能控制人形身体，瓶颈不在感知而在具身自意识。

统一框架梳理机器人学习进度奖励模型：接口、构造机制、数据与评测

用逐字引用+检索替代坐标框，让VLM证据归因召回率提升数倍

建立原生多模态预训练的算力最优扩展定律，揭示语言与多模态目标的差异化扩展行为

复用预训练 VLM 自身做视觉 token 自压缩，轻量适配、极端压缩下仍强。

无需训练的智能体框架，通过追踪物体状态演化检测工业视频异常

用原图与擦除图像的预测对比构造自蒸馏目标，无需外部教师或答案提示。

将目标识别建模为索引候选框的单token选择，结合TVBI时序记忆实现单目具身跟踪

提出 ProVisE 与 SpatialGen-Bench，让文生图模型在像素空间作答并公平评测。