三级因果干预显示视觉工具调用的收益集中于少数校准轨迹，多数调用与答案无因果耦合。

按神经元模态角色分配更新约束，多模态微调中恢复94.5%语言能力损失

低分辨率通读全文、按需放大关键区域，让8B模型在长文档问答上同时更准、更快、更少幻觉

用反事实证据干预把“答案是否依赖视觉证据”变成GRPO奖励，让VLM不再靠语言先验答题。

用时间戳免费导出的时间距离取代偏好与进度标注，训练出可作稠密奖励的机器人价值基础模型。

提出41K规模的MMOOC基准，联合评估多模态大模型的拒答能力与抗干扰鲁棒回答能力

把视觉定位重构为文本片段与图像实例的双向对应预测，一个模型统一多种定位任务

用成语跨概念网络评测多模态模型的创造性解码能力。

用潜在视觉状态重构与隐式过程奖励强化学习，让多模态大模型掌握时序视觉推理。

让多模态大模型按问题语义动态挑选3D模态并分配专家

用预测版面分叉内容分支并行解码，端到端文档解析大幅提速

提出音视频协同编辑评测基准AVE-Compass，并配套规划式智能体AVE-Agent。

把模态平衡本身作为在线自蒸馏的特权信息，用正负双教师提升多模态推理

用视觉地理定位评测多模态大模型在图文冲突中如何取舍的对照事实基准

提出结构化全掩码预测，单次前向传播完成多目标分割，破解三难困境

让连续视频长成时序分层记忆，同一份记忆既能答问也能主动服务。

用反事实视觉干预分离教师修正中由视觉解释的部分并重构学生监督目标

首个 ALD/E 科学图表理解基准与竞赛，揭示多模态模型在数据抽取与推理上的瓶颈

面向真实设备的统一 GUI+CLI 基础智能体，在移动端全面 SOTA。

提出多参考图锚定的视频描述新任务，用两阶段后训练实现短语级图像标签绑定。