AdaCodec采用预测性视觉编码，仅在预测成本高时使用完整视觉标记，显著提升长视频理解效率，平均节省84.7%的视觉Token。
Haowen Hou, Zhen Huang, Zheming Liang 等
本文提出VLM作为视频推理的教师，通过测试时在线优化，提升模型性能16.7分，超越传统方案。
Junhao Cheng, Liang Hou, Tianxiong Zhong 等
Lumos-Nexus通过两阶段训练和UPFB实现高效频率桥接，提升视频生成的视觉质量与推理能力。
Jiazheng Xing, Hangjie Yuan, Lingling Cai 等
提出SOCO基准，利用100类、超1百万对齐点，系统评估视觉基础模型的语义对象对应能力，揭示模型在跨类别和细粒度理解中的不足。
Olaf Dünkel, Basavaraj Sunagad, Haoran Wang 等
C4G提出基于时间条件的紧凑高斯查询，利用全局特征聚合实现无场景优化的4D动态场景重建，显著减少高斯数目。
Mungyeom Kim, Minkyeong Jeon, Honggyu An 等
VideoMLA采用低秩潜在KV缓存，显著降低92.7%的内存，用于长时长视频生成，保持高质量。
Hidir Yesiltepe, Jiazhen Hu, Tuna Han Salih Meral 等
NeuROK通过学习低维潜在空间实现4D动态模拟，利用变换器编码器-解码器架构在大规模数据集上训练，突破传统物理模型限制。
Chen Geng, Guangzhao He, Yue Gao 等
YoCausal利用逆向视频和认知科学启发的双层指标，评估13个视频扩散模型的因果理解能力。
You-Zhe Xie, Yu-Hsuan Li, Jie-Ying Lee 等
引入GPIC，包含约280亿像素的庞大图像语料库，用于推动视觉生成模型的发展。
Keshigeyan Chandrasegaran, Kyle Sargent, Suchir Agarwal 等
提出NEO-ov，一种端到端无外部编码器的原生一体化视觉-语言模型，支持单图、多图和视频理解，显著提升细粒度感知与空间推理能力。
Haiwen Diao, Jiahao Wang, Penghao Wu 等
提出VisualMem，结合结构化视觉记忆模块，有效增强个性化AI的长期视觉记忆能力，显著优于现有方法。
Viet Nguyen, Thao Nguyen, Vishal M. Patel 等
LocateAnything基于并行框解码，训练138M样本，显著提升定位速度与精度
Shihao Wang, Shilong Liu, Yuanguo Kuang 等
基于DINO表征的条件扩散模型实现高质量且可控图像生成，LSUN和CelebA数据集验证。
Nithesh Chandher Karthikeyan, Jonas Unger, Gabriel Eilertsen
提出DeltaDirect方法，MoDirect数据集，合成域准确率从25.9%提升至85.4%。
Jongseo Lee, Hyuntak Lee, Sunghun Kim 等
MotiMotion结合视觉语言模型推理与置信度调控，实现运动控制视频生成，MotiBench评测优于MagicMotion和Wan-Move。
Lee Hsin-Ying, Hanwen Jiang, Yiqun Mei 等
DecQ通过引入细节浓缩查询，提升RAE重建PSNR至22.76dB，生成FID降至1.41，计算开销仅增3.9%。
Tianhang Wang, Yitong Chen, Wei Song 等
WorldKV提出基于KV缓存的检索与压缩，实现2倍吞吐量下持久一致的世界记忆。
Jung Yi, Minjae Kim, Paul Hyunbin Cho 等
AnyMo提出基于几何感知的设置无关人体运动建模，零样本识别提升11.7%，跨模态检索MRR提升28.6%。
Baiyu Chen, Zechen Li, Wilson Wongso 等
CUActSpot基准测试通过数据合成和多模态评估提升GUI复杂交互性能，Phi-Ground-Any-4B模型表现优异。
Miaosen Zhang, Xiaohan Zhao, Zhihong Tan 等
SenseNova-U1通过NEO-unify架构统一多模态理解与生成，提升视觉-语言模型性能。
Haiwen Diao, Penghao Wu, Hanming Deng 等