MedVLM-R1通过强化学习实现医学视觉语言模型的显式推理，提升准确率至78.22%。
Jiazhen Pan, Che Liu, Junde Wu 等
提出ViDoRAG框架，结合GMM多模态检索与多代理推理，提升视觉文档检索生成性能超10%。
Qiuchen Wang, Ruixue Ding, Zehui Chen 等
该综述以高维时空分布序列采样统一分析一致性，比较VAE、AR、扩散与Flow模型及评测体系。
Zhiyu Yin, Kehai Chen, Xuefeng Bai 等
PosterSum采用分段层次方法，提升科学海报摘要准确率，ROUGE-L提升3.14%。
Rohit Saxena, Pasquale Minervini, Frank Keller
VideoGrain通过调制时空注意力机制，实现多粒度视频编辑中的细粒度控制。
Xiangpeng Yang, Linchao Zhu, Hehe Fan 等
ReAuSE通过内置自回归搜索引擎实现知识增强VQA，提升性能达9.6%。
Xinwei Long, Zhiyuan Ma, Ermo Hua 等
CCGS方法通过点图关联和分片平面约束，实现一致且紧凑的3D高斯分割场，在ScanNet和Replica数据集上表现优异。
Wenhao Hu, Wenhao Chai, Shengyu Hao 等
提出一种基于SNN的多模态人类动作识别框架，显著提高能效和准确率。
Naichuan Zheng, Hailun Xia, Zeyu Liang 等
提出YOLOv12，结合注意力机制与高效架构，实现40.6% mAP，速度1.64ms，优于YOLOv10/11。
Yunjie Tian, Qixiang Ye, David Doermann
提出UTR框架，解决视频MLLM的时间黑客问题，提高视频理解能力。
En Yu, Kangheng Lin, Liang Zhao 等
提出Conv-LiGRU模型，减少测试时过度计算，提升CIFAR10-C准确率。
Hieu Tran Bao, Nguyen Cong Dat, Nguyen Duc Anh 等
NPSim通过单目逆向渲染和光线追踪实现昼夜图像转换，提升夜间语义分割性能。
Shutong Zhang
VidCRAFT3通过建模几何、运动和光照的交互，实现图像到视频的精确控制。
Sixiao Zheng, Zimian Peng, Yanpeng Zhou 等
提出MMGDreamer，结合混合模态图实现几何可控的3D室内场景生成，显著提升控制精度。
Zhifei Yang, Keyang Lu, Chao Zhang 等
Long-VITA是一款支持1百万Token长序列的多模态模型，结合视觉、视频与文本理解，达成短序列高精度。
Yunhang Shen, Chaoyou Fu, Shaoqi Dong 等
Goku采用修正流变换Transformer，实现图像视频联合生成，性能领先。
Shoufa Chen, Chongjian Ge, Yuqi Zhang 等
提出滑动块注意力(STA)，在视频生成中实现2.8-17倍加速，保持质量。
Peiyuan Zhang, Yongqi Chen, Runlong Su 等
Mosaic3D提出了一种新型数据生成管道和模型，生成5.6M高质量3D掩码-文本对，提升了开放词汇3D分割性能。
Junha Lee, Chunghyun Park, Jaesung Choe 等
MotionLab提出基于运动-条件-运动范式的统一人类运动生成与编辑框架，利用rectified flows实现多任务学习。
Ziyan Guo, Zeyu Hu, De Wen Soh 等
BVINet通过零标注实现盲视频修复，显著提升修复效果。
Zhiliang Wu, Kerui Chen, Kun Li 等