构建可控多模态乘法基准，用算术负荷C与强迫续写探针揭示多模态LLM的乘法失误源于计算而非感知。

用一阶 Taylor 展开精准识别 MLLM 中语言特异与跨模态共享神经元，仅微调关键子集实现图像翻译 SOTA。

为多模态大模型打造长期个性化记忆体与性格演化机制的综合Agent框架。

提出 AVR 框架，让视觉推理模型按任务复杂度动态选择直接回答、感知或完整推理三种格式，token 消耗降低 50–90%。

把少量自监督任务伪装成指令，迫使多模态大模型真正用眼睛看。

为多模态分割模型外挂实时检索,提升新兴实体分割精度19.2% gIoU

首个 UMM 统一代码库，标准化 15 个模型的评估与后训练，揭示架构统一≠表征统一。

提出一种区域级图结构表征 Distortion Graph，配套 528K 数据集与 PANDA 模型，让图像对失真评估从整体走向细粒度。

首个覆盖工件级与型号级细粒度语义的制造领域MLLM基准，揭示领域知识才是性能瓶颈。

用皮尔士三元符号学重构人与生成艺术的意义流转，提出 SemJudge 和 HSG 图，让评估器真正看懂象征与暗示。

用高斯分布匹配重写GRPO优势函数，破解多任务奖励拓扑不均衡。

提出HDPO强化学习框架，解耦准确率与工具效率奖励，教会多模态智能体Metis“何时不用工具”。

6B参数SVLM做查询感知压缩器+ATA动态分词，刷新长视频理解SOTA。

查询感知的两阶段自适应框架，让MLLM按需细化局部细节

提出三级层次和组基评估的视频理解基准，揭示SOTA模型与人类差距

Google 4B 医疗多模态模型，新增 3D 影像与时序分析能力

提出 SciTikZer 模型与 Dual Self-Consistency 强化学习框架，从图像生成可编译的 TikZ 代码，在 8B 体量上超越 Gemini-2.5-Pro 与 Qwen3-VL-235B。

过程验证的多模态智能体基准，评估视觉扩展与知识扩展的协同能力。

用反向几何变换搬运图像 token，使 MLLM 在单图条件下完成邻近视角的 3D 空间推理。

提出 COSMIC 基准，评估两个 MLLM 代理能否通过多轮对话整合不同第一人称视角以形成共享空间心智模型。