论文

提出SmartPhotoCrafter，一种无需人工指令的自动摄影图像编辑方法，通过图像批评模块理解质量缺陷，再由摄影艺术家模块进行针对性增强。采用多阶段训练：基础预训练、推理引导的多编辑适应、以及协同推理-生成强化学习，在图像恢复和修饰任务上均优于现有生成模型，且对色调语义更敏感。

本文提出GSI-Bench基准，通过空间约束图像编辑量化生成式空间智能。实验表明，在合成数据上微调统一多模态模型不仅能提升生成任务性能，还能显著改善下游空间理解能力，首次证明生成训练可增强空间推理。

作者提出了AutoResearchBench，一个用于评估AI代理自主发现科学文献能力的基准，包含深度研究和广泛研究两种任务。实验表明，最强LLM在该基准上性能远低于通用网页浏览基准，深度研究准确率仅9.39%，广泛研究IoU仅9.31%，凸显了其高挑战性。

论文提出Meta-CoT范式，将图像编辑操作分解为任务、目标和所需理解能力的三元组，并进一步将编辑任务分解为五个元任务。通过这种两级分解和CoT编辑一致性奖励，模型在21个编辑任务上平均提升15.8%，并能有效泛化到未见过的编辑任务。

本文提出“用数据编程”原则，将结构化的知识表示作为训练数据和评估的共同基础，使数据工程映射为软件开发流程：训练数据即代码，模型训练即编译，基准测试即单元测试，失败驱动的数据修复即调试。通过在16个学科上的实验证明，该原则能使模型失败可追溯至数据缺陷并通过定向补丁修复，持续提升模型能力而不损害通用性能。

本文提出OneManCompany（OMC）框架，将多智能体系统提升至组织层面。OMC通过“人才市场”动态招募智能体，并采用“探索-执行-评审”树搜索统一规划、执行与评估，实现自组织与自改进。在PRDBench上成功率达84.67%，超越现有方法15.48个百分点，展示了跨领域通用性。

本研究提出了Tstars-Tryon 1.0，一个商业级虚拟试穿系统，具备鲁棒性、真实感、多功能性和高效率。该系统在极端姿态、光照变化等复杂场景下保持高成功率，支持8个时尚类别和多图像组合，并通过优化实现近实时生成。该模型已在淘宝App大规模部署，服务数百万用户。

本文提出AnyRecon框架，通过构建持久全局场景记忆和几何感知条件策略，实现从任意稀疏无序输入的三维重建。该方法结合4步扩散蒸馏与上下文窗口稀疏注意力，在保持几何一致性的同时提升计算效率。实验证明该框架能处理不规则输入、大视角差异和长轨迹场景，为大规模三维场景建模提供新方案。

本文提出Chat2Workflow基准，用于从自然语言直接生成可执行的可视化工作流，并设计了一个鲁棒的智能体框架来减少执行错误。实验表明，现有大语言模型虽能捕捉高层意图，但难以生成正确、稳定且可执行的工作流，尤其在复杂或变化的需求下。该基准为推进工业级自动化提供了重要基础，代码已开源。

本研究提出CoInteract框架，通过人体感知专家混合与空间结构协同生成双流训练，解决了现有扩散模型在人体敏感区域结构稳定性和物理接触合理性方面的不足。实验表明，该方法在结构稳定性、逻辑一致性和交互真实性上显著优于现有方法。该成果对电子商务、数字广告等需要高质量人-物交互视频合成的应用具有重要价值。

本文提出ShadowPEFT，一种集中式参数高效微调框架，通过深度共享的影子模块实现层级精调。该方法将适应过程从分布式权重扰动转变为共享层空间精调，在可训练参数预算相当的情况下，性能匹配或优于LoRA和DoRA。该设计使影子模块可跨层复用、独立预训练，并支持分离部署，为边缘计算场景提供灵活解决方案。

本研究系统探究了在数据稀缺、奖励噪声和自监督代理奖励三种弱监督设置下，不同模型家族和推理领域的表现。研究发现泛化能力由训练奖励饱和动态决定：泛化模型在预饱和阶段训练奖励与下游性能同步提升，而快速饱和的模型则倾向于记忆而非学习。推理忠实度是预测模型表现的关键预强化学习属性，而仅靠输出多样性无法提供有效信息。