论文

本文提出GenLIP，一种用于多模态大模型的视觉Transformer生成式预训练框架。它直接训练ViT从视觉令牌预测语言令牌，无需对比学习或额外文本解码器，在8B样本上达到或超越强基线，并在多分辨率训练后进一步提升OCR等细节任务性能。

MolmoAct2是一个完全开放的动作推理模型，专为机器人实际部署设计。它通过在五个关键轴上的改进，包括新型空间推理视觉语言模型MolmoER、大规模双臂操作数据集、开放动作分词器OpenFAST、流匹配连续动作专家架构，以及自适应深度推理变体MolmoThink，在7个模拟和真实世界基准测试中超越强基线Pi-05，同时MolmoER在13个具身推理基准测试中超越GPT-5和Gemini Robotics ER-1.5。所有模型权重、训练代码和数据均已开源。

本文提出GameWorld基准，用于标准化评估多模态大语言模型作为通用游戏智能体的性能。研究包含34款游戏和170项任务，结果表明当前最佳智能体与人类游戏能力仍有巨大差距。该基准为多模态游戏智能体研究提供了可验证、可复现的评估框架。

Seedance 2.0采用统一高效的大规模多模态音视频联合生成架构，支持文本、图像、音频、视频四种输入模态，在视频和音频生成的关键维度上实现全面提升。该模型在专家评估和公开测试中达到领域领先水平，为终端用户带来增强的创作体验。

本文发现扩散概率模型在推理阶段存在SNR-t偏差，即去噪样本的信噪比与时间步长不对齐，导致误差累积和生成质量下降。作者提出了一种简单有效的差分校正方法，将样本分解为不同频率分量并分别校正，显著提升了多种扩散模型在各类数据集上的生成质量，且计算开销极小。该研究为提升扩散模型的生成性能提供了新思路。

本研究提出了SpatialEvo框架，利用确定性几何环境（DGE）实现三维空间推理的自进化学习。该方法通过几何验证规则将未标注3D场景转化为零噪声交互式数据源，避免了传统自进化方法中模型误差自我强化的问题。实验表明，SpatialEvo在多个基准测试中取得了最佳性能，为具身智能的空间推理能力提升提供了新路径。

本研究开发了OpenFOAMGPT，一个基于大语言模型的智能体，专门用于OpenFOAM计算流体动力学模拟。该智能体结合GPT-4o和o1预览模型，通过检索增强生成技术嵌入领域知识，成功处理了从零样本案例设置到复杂边界条件修改等多种任务。这一框架能够显著加速CFD模拟流程，对基础研究和工业应用均有重要价值。

RoundPipe提出了一种打破权重绑定约束的新型流水线调度方案，将GPU视为无状态工作节点池，以轮询方式动态分配计算阶段，实现近乎零气泡的流水线。在8×RTX 4090服务器上，微调1.7B至32B模型时获得1.48-2.16倍加速，并能在单机上对Qwen3-235B模型进行LoRA微调。该方法显著提升了消费级GPU上大语言模型的训练效率，降低了硬件门槛。

人形机器人控制面临交互行为建模难的问题，本文提出ExoActor框架，利用大规模视频生成模型生成第三视角视频，进而转化为可执行的人形行为。该方法无需额外数据即可泛化到新场景，为交互丰富的人形行为提供了新路径。

针对混合强化学习与离线策略蒸馏在多专家能力整合中的能力损失问题，提出协同进化策略蒸馏（CoPD），在专家并行训练中引入双向在线蒸馏，使专家间行为模式更一致且互补知识更充分。实验表明，CoPD在文本、图像、视频推理上均显著优于强基线，甚至超越领域专用专家，为训练扩展提供了新范式。

本文提出ClawGym框架，涵盖Claw风格个人智能体开发全生命周期。通过合成13.5K筛选任务、训练ClawGym-Agents模型（监督微调+强化学习），并构建200实例的基准ClawGym-Bench，验证了框架的有效性和可扩展性。

UniVidX是一种统一的视频生成框架，利用视频扩散先验处理多种像素对齐任务。通过随机条件遮掩、解耦门控LoRA和跨模态自注意力机制，该框架在少于1000个视频的训练数据下，实现了与现有专有模型相当的性能，并具有很强的泛化能力。