用图像条件下的提示词似然，把多模态大模型变成文生图RL的免训练奖励

通过双上下文状态实现低延迟、高效率的长视频理解

系统刻画MLLM生成时逐token注意力动态，并用注意力阻断与增强干预验证因果并提升性能

通过原子化规则和门控评分机制，解决多模态评估中的饱和与脆弱性问题

提出P2R框架，将细粒度视觉推理解耦为感知定位和推理回答两个阶段，仅需最终答案监督

通过单前向跨层证据桥接，解决GUI定位中区域感知到点坐标的转换瓶颈

提出GauntletBench基准测试，评估AI智能体在专业复杂场景中的泛化能力

ConAct 范式将上下文管理集成到策略，解决长视界移动 GUI 任务中的上下文爆炸问题

提出RNG-Bench评估多模态模型在非马尔可夫游戏中的记忆追踪能力

首个工业产品多图像理解基准，揭示MLLM跨图像整合瓶颈

提出实体锚定脚本+线索引导QA两阶段自动数据引擎，构建10万条跨模态长程推理样本。

首个系统实证 MLLM 视觉仓库表示，图谱补充可降 26% token 成本。

首个统一评估MLLM代码化参数化3D生成能力的基准，覆盖文本/图像/装配三类任务。

用世界坐标系认知地图+三阶段工具调用 Harness，把 MFM 空间推理提升 5%–18%

利用Fisher-Rao距离检测注意力转移，动态重加权token级优势以提升MLLM跨模态推理。

通过移除连续截图中的冗余视觉token，提升CUA长视距任务性能并降低计算成本

首个支持256K上下文的开源MoE多模态大模型，专注于长视频理解和智能体能力

通过构建场景记忆和技能库，学习场景感知的工具使用技能，解决 MLLM 智能体在 3D 空间推理中的工具误用问题

首个一对多时序定位框架，解决现实视频中重复事件定位问题

提出始终在线的流式音频交互模型，统一离线与实时音频任务。