VideoAgent2通过不确定性感知的链式推理，提升长视频理解性能，平均超越前沿方法13.1%。

Zhuo Zhi, Qiangqiang Wu, Minghe shen 等

JarvisIR利用VLM控制多专家修复模型，提升恶劣天气下的自主感知性能，达成50%性能提升。

Yunlong Lin, Zixu Lin, Haoyu Chen 等

ScreenSpot-Pro基于高分辨率专业环境，提出ScreenSeekeR提升GUI定位准确率至48.1%。

Kaixin Li, Ziyang Meng, Hongzhan Lin 等

提出RISEBench基准，评估多模态模型在推理引导的视觉编辑中的表现，最高准确率仅28.8%。

Xiangyu Zhao, Peiyuan Zhang, Kexian Tang 等

SkyReels-A2利用视频扩散变换器实现多元素可控视频生成，保持元素一致性。

Zhengcong Fei, Debang Li, Di Qiu 等

提出WoTE框架，利用BEV世界模型实现端到端自主驾驶中的在线轨迹评估，显著提升性能。

Yingyan Li, Yuqi Wang, Yang Liu 等

Ross3D通过跨视角和全局重建增强3D场景理解，显著优于SOTA，提升性能。

Haochen Wang, Yucheng Zhao, Tiancai Wang 等

SpaceR结合RLVR和地图想象，利用151k数据提升视频空间推理能力，超越GPT-4o。

Kun Ouyang, Yuanxin Liu, Haoning Wu 等

SuperDec利用超二次曲面 primitives 实现3D场景紧凑表示，训练在ShapeNet，泛化到ScanNet++和Replica。

Elisabetta Fedele, Boyang Sun, Leonidas Guibas 等

KOFFVQA: 韩国语言的大型视觉语言模型自由问答基准，提供客观评估。

Yoonshik Kim, Jaeyoon Jung

提出DiT4SR，结合双向注意机制和局部信息注入，有效提升真实场景下图像超分性能。

Zheng-Peng Duan, Jiawei Zhang, Xin Jin 等

提出Magiv3模型，将漫画元素识别与文本生成结合，实现无障碍漫画叙事。

Ragav Sachdeva, Andrew Zisserman

提出增强实例回放(EIR)，通过动态类别组合和背景融合，有效缓解持续语义分割中的背景偏移与灾难性遗忘。

Hongmei Yin, Tingliang Feng, Fan Lyu 等

提出Video-R1模型，结合T-GRPO算法和图像视频混合数据，显著提升视频推理性能。

Kaituo Feng, Kaixiong Gong, Bohao Li 等

LeX-Art通过高质量数据合成和模型微调，提升文本图像生成中的文本渲染精度，PNED提升79.81%。

Shitian Zhao, Qilong Wu, Xinyue Li 等

Wan采用扩散变换器架构，训练规模达14B参数，显著提升视频生成性能。

Team Wan, Ang Wang, Baole Ai 等

提出VILBench，结合73.6K视觉-语言过程奖励数据，评估VLLMs的细粒度奖励能力。

Haoqin Tu, Weitao Feng, Hardy Chen 等

DINeMo通过无3D标注，利用大模型伪对应学习神经网格模型，显著提升零-shot 3D姿态估计性能。

Weijie Guo, Guofeng Zhang, Wufei Ma 等

提出AVUT基准，聚焦音频内容理解与音视频对齐，解决文本捷径问题。

Yudong Yang, Jimin Zhuang, Guangzhi Sun 等

OpenFunGraph方法通过基础模型生成功能性3D场景图，显著优于Open3DSG和ConceptGraph。

Chenyangguang Zhang, Alexandros Delitzas, Fangjinhua Wang 等