基于VLM的模板化RLE几何表示，统一生成刚体/可变形/铰接仿真3D资产

首个评测 GUI 智能体在专业媒体后期软件中长程组合操作的基准

把VLM训练成导演理解分镜创意意图，再统一控制信号注入视频生成

工具增强VLM智能体+统一视频DiT，解决视频编辑请求欠指定难题

差分渲染构造 82 语言 OCR 数据，DPO 实现稳定跨语言迁移

提出基于实体级分解的抽象图像编辑评估框架 ENTITY-RUBRICS 与 ABSTRACTEDIT 基准，揭示模型在意图理解与保持之间的根本矛盾。

用自进化的视觉热图替代文本记忆与教师 LLM，为 3B VLM 智能体注入密集空间奖励。

首个统一对比长上下文LVLM与记忆增强代理的多模态长期记忆基准

用5B token长文档VQA把Qwen2.5-VL从32K扩到128K并外推至512K。

VLM规划器与VGM模拟器在双相循环中互训，从无标注种子图自演化机器人操作。

把“可编译”LaTeX 转成“可发表”PDF 的视觉闭环智能体

DBTrimKV：权重共享保留门+全局预算，动态分配KV缓存

用K×K网格行/列后验探针在答案空间挑帧，按分布形状自适应每题算力

用 Pretzel 架构把冻结 VLM 与自回归流在统一因果掩码下交织，实现真正统一的多模态生成。

用稀疏自编码器在VLM中检测对抗攻击，无需额外对抗训练

用上三角几何约束让多个领域适配器可堆叠成准阿贝尔群，O(1)推理并缓解灾难性遗忘。

在Ego-Exo4D上用三套参数高效方法把多视角动作熟练度估计推向生成式反馈

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