9B参数全双工全模态模型，<12GB内存实现实时听说看同步

面向图像编辑/恢复任务的保真度评估模型与基准

首个高保真无人机具身搜救基准与仿真平台。

为LVLM设计并行PVM模块，缓解长序列生成中的视觉信号衰减

首个面向海洋科学的统一多模态语料库，含50亿token与14万指令对

用单一Transformer让ViT直接预测文本token，省去对比损失和文本解码器，5倍数据效率超越SigLIP2。

Z.ai发布原生多模态智能体基座,集成CogViT与多任务RL。

Tuna-2：像素嵌入像素空间统一多模态，端到端无VAE/编码器达SOTA。

提出 TEXOCR-Bench 基准与 2B 模型 TEXOCR,用 SFT+RLVR 把 PDF 页面恢复成可编译、结构一致的 LaTeX 源码。

提出L1-L4四层时间序列推理认知分类法，构建8.3万样本HITSR数据集，并基于Qwen3-VL训练双视图（折线图+索引-数值表）的LLaTiSA模型，通过三阶段课程微调在L1-L3 OOD任务上大幅超越GPT-4o等基线。

用上下文展开让统一多模态模型在推理时动态调用多模态原子能力。

在同一架构中联合训练图像生成与伪造检测，让两者互为老师、学生并协同进化。

提出 GSI-Bench：首个生成式空间智能基准，仿真训练可提升空间编辑与理解。

用两阶段RL课程让多模态大模型自主掌握视觉工具调用以解决复杂视觉推理

统一推理与生成的自动摄影图像编辑框架

提出组合性偏差框架与首个专门评测 MLLM 裁判可靠性的九类偏差基准

CoT 提示降低视觉空间推理能力，揭示 MRMs 文本先验幻觉

VLM+2D模型+YAML中转，把游戏UI截图自动还原为Unity资产。

首个专为视频RL设计的端到端训练评测框架,带离线缓存与异步推理

首个8B音视觉语言模型，将长影视视频转写为分层、时序对齐的剧本。