用VLM直接对文档截图做多跳推理并输出像素级证据框，让RAG归属从粗粒度文本引用跃迁到可视化审计。

为LVLM设计并行PVM模块，缓解长序列生成中的视觉信号衰减

用超二次曲面作为几何代理，让VLM编辑原始体参数来引导3D扩散模型实现细粒度编辑

首个跨六系统、评估 GUI 区域与元素功能理解及交互结果预测的大规模基准

训练免费的提示框架，让VLM在原图上叠加SVG可视化注释来解释推理

用最后一层隐藏表征与预测误差的对齐代替反向传播，单次前向实现千亿级模型的数据估值。

LLM 智能体闭环合成百万级可执行 CadQuery CAD 序列，无需任何真实历史数据。

Perceval：感知级PRM实现token级优势重分配

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。

解耦探索与任务生成，策略切换采样错误恢复轨迹，让开源数据追平闭源 70% AndroidWorld。

用可学习query token对齐MLLM与扩散模型的低成本统一多模态生成框架

提出GG-EZ框架通过区域数据过滤与模型合并实现视觉语言模型的区域适配且保留全局能力

提出层级化 SVG 分词框架，将命令-参数组压缩为可渲染片段标记，序列长度缩减 63%。

打开 Gemini 思维流黑盒，揭示思考预算与视频理解质量的真实关系。

158 种 Unicode 脚本 OCR 基准：低资源文字上模型几乎全面失效

用 3021 道菜、5.27 张/菜的多视角图,系统评测 29 个视觉语言模型在精细分类、营养估计与饮食 VQA 三大任务上的真实能力。

系统揭示SOTA VLM在旋转/缩放/恒等变换下高度依赖数据熟悉度,缺乏真正几何推理能力。

腾讯混元具身基础模型家族，MoT+自进化训练+蒸馏，2B 小模型 SOTA 22 基准。

完全开源多模态网页智能体,纯截图操作,在浏览器任务上击败同规模开源模型

基于宝可梦Z-A的3D长视距VLM基准，揭示当前视觉语言模型的物理死锁恢复瓶颈。