PengChao 
现有遥感模型多局限于静态或双时相对比，缺乏对长期连续演变的系统性评估。本文提出ChronoBench基准与GeoChrono模型，通过分解认知层级和构建位置时间轨迹，显著提升了多模态大语言模型在遥感长期时序理解中的表现。实验显示，GeoChrono在ChronoBench上达到78.34%准确率，超越领先商业模型超20%。同时，C2FComp模块在减少56%视觉Token的同时保留94.6%性能。尽管与人类专家仍有差距，但该工作为遥感长期动态分析提供了重要基准与架构参考。
本文介绍 FVAttn，一种用于视频生成的自适应稀疏注意力系统。针对 Top-p 路由在多 GPU 序列并行中导致的负载不均问题，FVAttn 提出运行时负载均衡与松弛感知稀疏增强机制。实验显示，在 Wan2.2 I2V 上相比 FlashAttention 实现 4.41x 注意力加速。需注意该方法对长序列和硬件通信带宽敏感。
传统3D自主探索方法（如FrontierNet）往往只关注最大化空间体积覆盖率，导致轨迹效率低下且最终重建质量不足，无法捕捉精细几何细节。本文提出SCAGE框架，核心在于∆-Net网络，它基于Point Transformer V3训练，通过预测点分布偏移量来学习室内结构先验。推理时，系统计算全局归一化异常分数，聚类高异常区域并生成自适应6-DoF观察视点。实验显示，该方法在HM3D数据集上平均体积覆盖率达89.7%，Chamfer Distance仅为0.91×10⁻³，优于基线近三倍。真实世界验证表明，网络能识别训练集外未见结构的异常，证明其具备底层几何理解能力而非简单记忆。
本文介绍Event3R框架，解决RGB前馈方法在快速运动或极端光照下的脆弱性问题。通过将异步事件流离散化为时空体素，并利用Temporal Encoder聚合时序线索，结合DUSt3R骨干网络直接预测全局对齐3D点云。引入Masked Bin Modeling (MBM)进行自监督预训练。实验显示在TartanAir和MVSEC数据集上优于EvGGS等基线。注意：推理需GPU资源，且点云可视化颜色仅用于展示，训练推理未使用RGB数据。
本视频解析MotionForesight论文。该方法基于TrackCraft3R架构，通过冻结视频DiT和跟踪解码器，仅训练轻量级LoRA适配器和输出头，将回顾性3D跟踪模型转化为前瞻性预测模型。实验显示，在SSv2未见视频上ADE为4.47cm，在OOD手机视频上ADE为9.31cm，优于依赖语言指令的MolmoMotion。该方法无需语言或动作标签，仅凭视觉上下文即可泛化，但存在确定性预测无法表示多模态未来、以及运动幅度校准不足（平均运动比率r=0.72）等局限性。
本文分析Orbis 2分层驾驶世界模型。针对单一层级模型长程预测误差累积问题，提出高层抽象预测与低层细节生成解耦架构。使用压缩DINO latent与Diffusion Forcing预训练，在nuPlan/Waymo上实现低FVD与低FVD-slope。需注意Cosmos-v2.5数据未公开及Epona泛化局限。
本文介绍SlotMem，一种面向叙事长视频生成的角色可寻址内部记忆框架。针对现有方法在长时隙生成中角色身份漂移及背景纠缠问题，SlotMem基于Wan2.2-I2V-A14B骨干，利用Character-Semantic Probe从交叉注意力中定位角色token，经Memory Encoder压缩为紧凑槽位，并通过Memory Writer保守更新。实验显示其在VBench、ViStoryBench等基准上表现优异，人类偏好研究中主体一致性胜率86.1%。需注意该方法依赖提示词中角色名称的一致性，且在多相似角色同框时存在局限。
本文提出VideoTreeSearch (VTS)，针对长视频接地问答中传统智能体缺乏回溯机制、易过早收敛的问题。VTS利用CLIP构建语义树，通过zoom_in/out/shift离散动作实现显式自纠错。实验显示，VTS在CG-Bench上mIoU达16.8，显著优于LongVT，且平均处理帧数更少。需注意当前方法对多段分散证据支持有限，且依赖CLIP场景分割。
本文介绍Nemotron Labs发布的AV-Flamingo，一个面向长视频与复杂场景的开放音视频智能模型。针对现有模型缺乏长上下文联合理解能力的问题，该工作提出了包含约700万实例的AV-Skills数据集，以及将推理步骤锚定时间戳的TAVIT框架。实验显示，在MMOU、WorldSense等基准上，AVF-Think表现优异，部分指标超越OmniVinci等开源模型，但在MMOU上略低于Gemini-2.5 Pro。模型完全开源，包括权重、代码及数据集，适合需要透明训练流程的研究者。需注意数据集存在来源偏差风险，且极长密集视频推理仍具挑战。
本文提出AdaTurn框架，解决主动视觉代理在有限Rollout预算下的灾难性截断问题。通过预算条件化决策与FA-DAPO强化学习策略，模型学会在预算耗尽前主动生成答案。实验显示在VisualProbe等基准上低预算性能显著提升，且负载均衡调度器提升了训练效率。