生成式视频编码能在超低码率下合成清晰视频，但扩散解码器太慢，一直无法实时运行。ReGenVC 针对说话人头像场景，将 20 步扩散教师蒸馏为 4 步学生，再通过 8 路统一序列并行、空间分割 VAE 和三级重叠流水线，在 8 张 RTX 5090D 上实现 24 fps 稳态解码，总码流仅约 26 kB。系统留有约 28 ms 余量，但余量较窄，且目前仅在单人固定镜头场景下验证，通用性有待扩展。
不同机器人的观测和动作空间差异巨大，如何让一个模型从多种机器人数据中学习并迁移到新机器人？本文提出行为对齐表征——一种跨具身不变且能预测动作的中间表示。通过在VLA模型中联合预测末端执行器轨迹、语言动作和边界框，隐式对齐异构数据。实验表明，末端执行器轨迹是最有效的单一表征，联合表征在模拟和真实机器人迁移中均显著提升性能，且表征的增益随跨具身数据规模扩大而增强。但需注意，模拟环境中的高度对齐可能高估了迁移效果，表征选择也依赖于具体任务和具身差异。
视频重拍摄想让镜头动起来，但3D重建又慢又容易崩，配对数据又太少。TARS发现了一个关键洞察：扩散模型去噪时，高噪声步管全局结构和视角，低噪声步管纹理细节。于是它用单视频切两段做自监督学习，大规模训练重拍先验，再只在最关键的高噪声步用少量配对数据微调。结果在相机精度和视角控制上大幅超越3D方法和配对学习方法。当然，极端动态场景下的表现和MLLM生成描述的精度仍是潜在瓶颈。
Agentic VLM 在调用裁剪等工具时，常产生与问题无关的装饰性过程图像，模型实际依赖先验知识而非工具输出，导致计算资源浪费和推理不可靠。FaithEyes 提出多智能体自评判框架，让模型自身作为子智能体判断每张过程图像是否有助于回答问题，并将判断结果同时注入工具观察和用于缩放工具奖励，从推理上下文和优化目标两个层面联合抑制奖励黑客行为。实验表明，FaithEyes 在多个感知和推理基准上超越现有 agentic VLM，工具忠实度大幅提升。注意，该方法在密集数值逻辑推理任务上提升有限，且自判断能力受限于模型自身容量。
提出内在接地签名（IGS）和验证器引导解码（VGD），在生成时定位并仅重写高风险的对象提及，从而在保持模型原有视觉理解和覆盖度的同时显著减少对象幻觉。
我们日常见到的柜子、抽屉、冰箱，大多处于闭合状态。如果只给你看一张闭合柜门的照片，你能准确说出里面有几个抽屉、门往哪边开吗？这正是Rest2Art要解决的核心问题：从物体的静止状态观测中，重建出完整的部件级几何和关节运动参数。现有方法要么需要多个运动状态作为输入，要么依赖已知的部件数量，而Rest2Art通过三个关键设计突破了这些限制：首先，让视觉语言模型和分割模型相互“挑错”，在迭代协同优化中自动发现部件；然后，利用视频扩散模型合成可能的铰接运动，从中提取运动轨迹；最后，用网格几何约束来筛选和精化关节参数。实验表明，该方法在合成和真实数据集上均能有效恢复铰接结构，但也存在视频生成可能失败、微
高分辨率视觉问答中，模型在视觉编码阶段已经捕获的细粒度证据，为什么在后续推理时反而被丢弃了？这篇论文发现，问题不在于证据缺失，而在于已编码的证据被冗余背景信息稀释。Thinking-Once方法在中间层利用问题条件化的注意力分布，独立地为每个实体和全局查询选择最小覆盖的核心证据，同时用网格池化压缩背景上下文，将这两部分证据路由到更深层网络。在五个主流MLLM上，三个HR-VQA基准平均提升约3个点，峰值内存降低约4GB，推理时间仅为DeepScan的2.8%。但该方法无法恢复视觉编码器已不可逆丢失的信息，且效果依赖于注意力分布能可靠定位证据。
视觉语言模型看图说话很厉害，但空间推理到底行不行？JigShape 基准用带凹凸锁扣的拼图来测试，发现所有模型在 8×8 网格上性能集体崩塌。问题出在哪？模型过度依赖几何形状线索，却无法有效整合视觉内容进行推理。本期视频带你拆解这个“悬崖”背后的真相。
许多看似强大的影像组学签名，可能只是肿瘤体积的替代品。本期解读的论文提出READII-2-ROQC框架，通过生成体积不变的阴性对照图像，系统检验了传统影像组学特征和最新成像基础模型FMCIB特征对空间结构的真实依赖性。研究发现，多个已发表的总生存期预测签名在图像纹理被完全破坏后性能不变，其预测能力与仅使用体积的模型相当。更令人警醒的是，FMCIB深度学习特征主要从肿瘤边界或背景区域提取信息，而非肿瘤内部纹理。该框架为影像标志物研究提供了关键的混杂因素审计工具，但其目前尚未涵盖采集参数等上游变异。
从临床照片区分瘢痕疙瘩和增生性瘢痕，面临专家标注稀缺和跨医院采集差异大的双重挑战。ScaFE提出了一种新思路：不让大语言模型直接看图诊断，而是让它检索临床证据，生成可本地执行的特征测量程序。这些程序在本地处理图像，仅将聚合验证统计量反馈给LLM进行迭代修复，最终选出的程序用随机森林分类。在三个医院的留一站点外评估中，ScaFE以10%的数据量领先最强基线BiomedCLIP达11.8个百分点。该方法不依赖海量标注，保护数据隐私，且每个特征都有可溯源的证据记录。但研究为回顾性、二分类设计，需前瞻性临床验证。