Tstars-Tryon 1.0：针对多样化时尚单品的鲁棒且逼真的虚拟试穿研究

用于 Large Language Model 推理的快速 NF4 量化反量化 Kernel

EasyVideoR1：面向视频理解的更简便强化学习方法

MultiWorld：可扩展的多 agent 多视角视频世界模型

OpenGame：面向游戏的开放式 agentic 编程

Agent-World：为演进式通用 agent intelligence 扩展真实世界环境合成规模

OneVL：结合视觉-语言解释的一步式潜在推理与规划

通过判别式文本表示将单步图像生成从类别标签扩展至文本

ScribblePrompt: 面向各类生物医学图像的高效且灵活的交互式分割方法

Long-VITA: 将 Large Multi-modal Models 扩展至 100 万 tokens 并保持领先的短上下文准确率

UI-TARS：开创基于 Native Agent 的自动化 GUI 交互研究

HunyuanVideo: 大规模视频生成模型的系统性框架

MathNet：一个用于数学推理与检索的全球多模态基准测试

LLM Agents 中的外部化：关于 Memory、Skills、Protocols 与 Harness Engineering 的统一综述

主动上下文压缩：LLM Agents 中的自主内存管理

及时止损！通过早期路径剪枝实现高效的并行推理学习

Qwen3.5-Omni 技术报告

面向高效与低成本检索增强生成系统的网页检索感知分块方法（W-RAC）

PersonaVLM：长期的个性化 Multimodal LLMs

无需数据或优化实现最大脑损伤：通过 Sign-Bit Flips 破坏 Neural Networks

阐明扩散概率模型中的 SNR-t 偏差

多模态 OCR：解析文档中的一切内容

Granite-speech：具备强大英语 ASR 能力的开源语音感知 LLMs

Fish-Speech：利用 Large Language Models 实现先进的多语言 Text-to-Speech 合成

视频对象与交互删除

VoxCPM：面向上下文感知语音生成与高保真声音克隆的 Tokenizer-Free TTS

OmniVoice: 迈向基于 Diffusion Language Models 的全语种 Zero-Shot Text-to-Speech 研究

视觉如何转化为文本：定位 Vision-Language Models 中的 OCR Routing 瓶颈

OCR 还是非 OCR？在 MLLMs 时代利用真实世界大规模数据集重新思考文档信息抽取

dnaHNet：一种用于基因组序列学习的可扩展分层 Foundation Model

Tstars-Tryon 1.0：针对多样化时尚单品的鲁棒且逼真的虚拟试穿研究

用于 Large Language Model 推理的快速 NF4 量化反量化 Kernel

EasyVideoR1：面向视频理解的更简便强化学习方法

MultiWorld：可扩展的多 agent 多视角视频世界模型

OpenGame：面向游戏的开放式 agentic 编程

Agent-World：为演进式通用 agent intelligence 扩展真实世界环境合成规模

OneVL：结合视觉-语言解释的一步式潜在推理与规划

通过判别式文本表示将单步图像生成从类别标签扩展至文本

ScribblePrompt: 面向各类生物医学图像的高效且灵活的交互式分割方法

Long-VITA: 将 Large Multi-modal Models 扩展至 100 万 tokens 并保持领先的短上下文准确率

UI-TARS：开创基于 Native Agent 的自动化 GUI 交互研究

HunyuanVideo: 大规模视频生成模型的系统性框架

MathNet：一个用于数学推理与检索的全球多模态基准测试

LLM Agents 中的外部化：关于 Memory、Skills、Protocols 与 Harness Engineering 的统一综述

主动上下文压缩：LLM Agents 中的自主内存管理

及时止损！通过早期路径剪枝实现高效的并行推理学习

Qwen3.5-Omni 技术报告

面向高效与低成本检索增强生成系统的网页检索感知分块方法（W-RAC）

PersonaVLM：长期的个性化 Multimodal LLMs

无需数据或优化实现最大脑损伤：通过 Sign-Bit Flips 破坏 Neural Networks

阐明扩散概率模型中的 SNR-t 偏差

多模态 OCR：解析文档中的一切内容

Granite-speech：具备强大英语 ASR 能力的开源语音感知 LLMs

Fish-Speech：利用 Large Language Models 实现先进的多语言 Text-to-Speech 合成

视频对象与交互删除

VoxCPM：面向上下文感知语音生成与高保真声音克隆的 Tokenizer-Free TTS

OmniVoice: 迈向基于 Diffusion Language Models 的全语种 Zero-Shot Text-to-Speech 研究

视觉如何转化为文本：定位 Vision-Language Models 中的 OCR Routing 瓶颈

OCR 还是非 OCR？在 MLLMs 时代利用真实世界大规模数据集重新思考文档信息抽取

dnaHNet：一种用于基因组序列学习的可扩展分层 Foundation Model