构建OpenCoF-17K数据集，通过多样化时间监督和推理token机制提升视频生成模型的推理能力

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

解耦感知与推理的多轮视觉推理agent，通过mask引导和语义BFS实现高效证据定位

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

无需文本标注答案，通过对比正负视觉证据门控提升细粒度视觉推理能力

通过可验证的数据构建解决视觉数学推理中的数据质量和奖励信号可靠性问题

让视觉推理轨迹显式指向图像证据，提升计数和空间理解能力

通过主动视觉推理实现视觉原生的多模态深度搜索代理

提出单策略多智能体框架，通过角色解耦优化和KV缓存重用，在视觉推理任务上显著减少幻觉并提升推理效率

提出Actor-Critic框架和ArogyaBodha数据集，解决7种印度语言医疗推理问题

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。

首个基于像素级确定性评估的精确视觉编辑基准，揭示当前多模态模型在基本栅格操作上的显著局限性。

用520个可规则验证的在线生成器-验证器环境，为视觉推理RL提供无限新鲜训练信号。

用专用图像编辑器替代工具调用与统一多模态，让MLLM真正“用图像思考”。

VideoRLVR框架用可验证奖励优化视频模型，提升规则验证任务的推理能力

用词表里的功能 token 统一 agentic 与 latent 视觉推理。

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

首个基于ART认知分类法评估MLLM视觉空间推理能力的合成基准，揭示人类与模型间30+个百分点的能力鸿沟。

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%。