论文

本文提出MultiWorld框架，通过多智能体条件模块实现精确的多智能体控制，并利用全局状态编码器确保多视角观测一致性。该框架在视频保真度、动作跟随能力和多视角一致性方面优于基线方法，为多智能体系统提供了高效的动态模拟解决方案。

本文提出OneVL框架，通过视觉世界模型解码器预测未来帧，将推理过程压缩至紧凑的潜在空间，实现了与仅预测答案相当的推理速度。该方法首次在四个基准测试中超越了显式思维链推理的准确率，为实时自动驾驶系统提供了高效解决方案。

研究团队提出OpenGame，首个专为端到端网页游戏开发设计的开源智能体框架。该框架通过Game Skill机制实现可复用、可演化的游戏开发能力，结合专门训练的GameCoder-27B模型，在150个多样化游戏提示测试中达到新SOTA。这项工作将代码智能体从离散软件工程问题推向复杂交互式应用构建。

本文提出了AJ-Bench基准，用于系统评估Agent-as-a-Judge在搜索、数据系统和图形用户界面三个领域的性能，包含155个任务和516条标注轨迹。实验表明该方法相比LLM-as-a-Judge基线有显著性能提升，同时揭示了基于智能体的验证仍面临重大挑战。该研究为复杂环境中智能体行为的可靠验证提供了新基准和工具。

本文提出了WebCompass基准，首次对代码语言模型进行多模态网页工程全生命周期评估，涵盖文本、图像、视频三种输入模态和生成、编辑、修复三类任务。研究发现闭源模型表现显著优于开源模型，美学设计是当前主要瓶颈，框架选择对结果有重要影响。该工作填补了现有基准仅关注静态代码生成的不足，为开发更实用的网页编码智能体提供了评估标准。

本文提出了EasyVideoR1，一个专门为视频理解任务设计的完整高效强化学习框架。该框架通过离线预处理与张量缓存技术，实现了1.47倍的吞吐量提升，并支持11种视频与图像任务类型的统一奖励系统。这项工作解决了视频模态在强化学习训练中的计算瓶颈与评估难题，为多模态大模型训练提供了系统化解决方案。

本文提出DR³-Eval基准，通过真实用户材料构建多模态多文件报告生成任务，并配备静态研究沙箱模拟开放网络复杂性。该基准引入多维评估框架，验证了与人工评估的一致性。实验表明DR³-Eval具有高度挑战性，能有效揭示检索鲁棒性和幻觉控制等关键失败模式。

本文提出Sema Code，一个基于可嵌入、可插拔、框架优先原则构建的开放AI编程框架。它完全将核心代理引擎与客户端层解耦，发布为独立的npm库，任何运行时均可编程驱动。该框架通过八大机制解决了将复杂代理引擎转化为共享可编程核心的工程挑战，并展示了同一引擎同时支持VSCode扩展和多渠道消息网关的架构灵活性。

本文提出RAD-2，一种用于闭环驾驶规划的生成-判别统一框架。该方法通过扩散模型生成多样轨迹候选，利用强化学习优化的判别器进行重排序，结合时序一致性策略优化和在线生成器优化技术，在BEV-Warp高效仿真环境中实现大规模训练。实验表明RAD-2相比现有扩散规划器碰撞率降低56%，实际部署中显著提升驾驶安全性与平顺性。

本研究针对强模型生成数据用于监督微调时导致推理模型性能下降的问题，提出师生协作数据合成框架TESSY。该框架通过交替生成风格与非风格标记，使合成数据既继承教师模型的推理能力，又保持与学生模型的风格一致性。实验表明，在代码生成任务中，TESSY相比传统方法显著提升Qwen3-8B模型性能，为解决风格差异导致的微调失效提供了有效方案。

该研究提出了OccuBench基准，通过语言环境模拟器覆盖10个行业类别、65个专业领域的100个真实职业任务场景，实现了对AI智能体在专业工作场景下的系统性评估。研究发现：不同模型在不同行业表现各异，隐性故障比显性错误更具挑战性，模型规模、推理能力与性能正相关，且优秀智能体不等于优秀环境模拟器。该基准填补了AI智能体跨行业专业任务评估的空白。

本文提出GlobalSplat框架，通过先对齐后解码的原则，学习紧凑的全局潜在场景表示，解决了现有方法因局部启发式分配策略导致的表示冗余与全局一致性不足问题。该方法在RealEstate10K和ACID数据集上实现了竞争性的新视图合成性能，仅需16K高斯即可获得轻量4MB模型，推理速度达78毫秒。这一成果为高效、紧凑的3D重建提供了新思路，显著提升了表示效率与推理速度。