HyperAI超神经

Xiangru Jian, Shravan Nayak, Kevin Qinghong Lin, et al.

EVA：面向端到端视频 Agent 的高效强化学习

Yaolun Zhang, Ruohui Wang, Jiahao Wang, et al.

Foveated Diffusion：高效的空间自适应图像与视频生成

Brian Chao, Lior Yariv, Howard Xiao, et al.

图像修复

Ego2Web：一种基于第一视角视频的 Web Agent 基准测试

Agent

Shoubin Yu, Lei Shu, Antoine Yang, et al.

从静态模板到动态运行时图：LLM Agent 工作流优化综述

Ling Yue, Kushal Raj Bhandari, Ching-Yun Ko, et al.

Agent

SpecEyes：通过推测性感知与规划加速代理式多模态LLM

Haoyu Huang, Jinfa Huang, Zhongwei Wan, et al.

Agent

DA-Flow：基于 Diffusion 模型的退化感知光流估计

Jaewon Min, Jaeeun Lee, Yeji Choi, et al.

视频处理

PEARL：个性化流式视频理解模型

Yuanhong Zheng, Ruichuan An, Xiaopeng Lin, et al.

WildWorld：面向生成式 ARPG 的、具备动作与显式状态的大规模动态世界建模数据集

Zhen Li, Zian Meng, Shuwei Shi, et al.

动作识别

MinerU-Diffusion：通过 Diffusion 解码将文档 OCR 重新构想为逆渲染

OCR

Hejun Dong, Junbo Niu, Bin Wang, et al.

PivotRL：低计算成本下的高精度 Agentic Post-Training

监督式微调

强化学习

Junkeun Yi, Damon Mosk-Aoyama, Baihe Huang, et al.

F4Splat：面向前馈 3D Gaussian Splatting 的前馈预测性致密化方法

Injae Kim, Chaehyeon Kim, Minseong Bae, et al.

3D 模型

SpatialBoost：通过语言引导推理增强视觉表征

Byungwoo Jeon, Dongyoung Kim, Huiwon Jang, et al.

多模态表征

VideoDetective：通过外在查询与内在相关性进行线索挖掘以实现长视频理解

Ruoliu Yang, Chu Wu, Caifeng Shan, et al.

LongCat-Flash-Prover：通过智能体工具集成强化学习推进原生形式化推理

Jianing Wang, Jianfei Zhang, Qi Guo, et al.

推理

速度源于简约：一种用于快速音视频生成基础模型的单流架构

通义千问

SII-GAIR, Sand. ai, Ethan Chern, et al.

Omni-WorldBench：面向以交互为核心的世界模型综合评估

Meiqi Wu, Zhixin Cai, Fufangchen Zhao, et al.

PrismAudio：面向视频到音频生成的分解式思维链与多维奖励机制

音频生成

Huadai Liu, Kaicheng Luo, Wen Wang, et al.

LeWorldModel：基于像素的稳定端到端联合嵌入预测架构

深度学习

多模态表征

Lucas Maes, Quentin Le Lidec, Damien Scieur, et al.

FlowScene：基于多模态图校正流的风格一致室内场景生成

Zhifei Yang, Guangyao Zhai, Keyang Lu, et al.

LumosX：将任意身份与其属性关联以实现个性化视频生成

文生视频

Jiazheng Xing, Fei Du, Hangjie Yuan, et al.

面向大语言模型的 Y Combinator：用 λ 演算解决长上下文退化问题

Amartya Roy, Rasul Tutunov, Xiaotong Ji, et al.

文本生成

ProactiveBench：多模态大语言模型主动性基准测试

Thomas De Min, Subhankar Roy, Stéphane Lathuilière, et al.

TerraScope：面向对地观测的像素级视觉推理

Yan Shu, Bin Ren, Zhitong Xiong, et al.

Astrolabe：为蒸馏自回归视频模型引导前向过程强化学习

Songchun Zhang, Zeyue Xue, Siming Fu, et al.

模型训练

HopChain：面向可泛化视觉 - 语言推理的多跳数据合成

Shenzhi Wang, Shixuan Liu, Jing Zhou, et al.

弥合语义与运动学条件：基于 Diffusion 的离散运动 Tokenizer

Chenyang Gu, Mingyuan Zhang, Haozhe Xie, et al.

FASTER：重新思考实时流式视觉语言动作模型

Yuxiang Lu, Zhe Liu, Xianzhe Fan, et al.

3DreamBooth：高保真度以主体为中心的 3D 视频生成模型

Hyun-kyu Ko, Jihyeon Park, Younghyun Kim, et al.

文生视频

SAMA：面向指令驱动视频编辑的因子化语义锚定与运动对齐

Xinyao Zhang, Wenkai Dong, Yuxin Song, et al.

生成模型感知空间：释放隐式3D先验以增强场景理解

Xianjin Wu, Dingkang Liang, Tianrui Feng, et al.

高效推理与平衡思维