在文本驱动的双时相遥感图像变化检索中，查询时需对海量候选图像对运行融合模块，计算开销巨大。本文系统比较了注意力机制、状态空间模型（Mamba）和压缩瓶颈（TBF）三类融合范式的效率与精度权衡，并提出一种训练无关的级联检索策略：先用廉价的减法模型筛选候选集，再用注意力模型重排序Top-N，在LEVIR-CC上实现10-15倍查询加速且召回率不降。实验揭示了一个关键发现：Mamba的线性复杂度优势在标准ViT序列长度下并未转化为实际延迟收益，其选择性扫描受限于内存带宽，而注意力机制能高效利用并行计算。TBF通过压缩融合表示，成为效率-质量的最佳平衡点。需注意，级联检索的增益与数据集规模相关，且延迟
3D打印切片软件通常只接受水密网格，但点云才是传感器和生成模型的原生输出。网格重建容易引入孔洞和拓扑错误，导致打印失败。PrintAnything提出一种无网格框架，通过学习几何平面图（G-plan map）直接从无定向点云生成可执行G代码。定量实验表明，该方法在切片级精度上优于网格重建管线，且对不完整和噪声点云具有较强鲁棒性。需要注意的是，该方法目前依赖监督学习，且未显式融入3D打印的物理先验。
视觉语言模型处理长视频时，常因无关帧干扰而答非所问。传统基于注意力的内部检索信号不可靠，外部检索器又需重新编码图像。本文发现VLM的值空间比键空间携带更强的文本对齐信号，并据此提出ReToken——一个可学习的检索令牌。它附加在问题后，通过计算与各帧值向量的相似度来检索相关帧，仅增加极少参数。实验表明，在Visual Haystacks上，ReToken的检索召回率远超基于注意力的方法；在长视频基准LVBench上，零样本迁移即带来显著提升。但该方法需要两次前向传播，且在需要全局总结的任务上表现不佳。
具身智能面临数据瓶颈：现有数据集要么缺少运动真值，要么脱离真实家居环境，且大多只覆盖秒级原子动作。ACE-Data-0通过环境捕捉引擎ACE，在真实公寓中同步采集第一人称视频、全身运动、物体轨迹、音频和触觉信号，构建了包含17M帧、75000个交互片段的长程数据集。论文建立三级分层基准，从触觉推断、人体运动估计到手物交互估计，系统评估了感知-行动循环。基准测试显示，现有模型在真实家居遮挡和长程任务下仍有显著提升空间。注意：数据集目前仅覆盖2个环境和50名参与者，场景多样性有限；触觉手套和动捕服可能对自然行为产生轻微干扰。
交互式视频世界模型面临一个根本困境：如何精确控制任意动作？符号指令太模糊，结构化运动输入不通用，而现有的潜在动作模型（LAM）通过自重建学习控制信号，却将动态与外观纠缠在一起，导致动作迁移失败。ShadowDancer提出影子学习范式，通过构建“影子对”——重放同一动态但独立重采样外观的两个帧同步视频——并训练LAM进行跨影子预测，迫使潜在表征仅保留共享的动态信息。实验表明，该方法在人类运动、第一人称战斗、机器人操作等五个动态族上均实现了精确的动作迁移，长序列rollout的盲测胜率超过94%。但该方法依赖游戏引擎或模拟器构建影子对，真实视频只能作为自配对参与训练，无法提供解耦的监督信号。
视觉生成进入token密集型时代，全注意力机制计算成本高昂，且缺乏系统性缩放框架。Chimera提出混合KDA/MLA注意力骨干，结合模态感知短卷积实现无位置编码设计，并配套HeteroP超参数迁移方案和Chinchilla缩放定律。实验显示，在匹配算力下Chimera预训练效率比Wan2.1提升6.8倍，零样本视频长度从5秒外推至30秒时FID仅退化6.5%。缩放定律揭示了算力应近乎均匀分配给模型大小和训练token，并首次分析了算力最优的图像-视频数据配比。需要注意的是，缩放定律基于预训练损失，未直接关联下游生成质量指标。
现有智能体视觉推理模型常盲目调用工具，导致在简单问题上引入错误，工具带来的增益被损害抵消，净收益有限。Beacon 提出两个核心机制：必要性感知自适应奖励（NAAR）让模型学会只在必要时调用工具；提示引导能力扩展（HCE）则帮助模型在极难问题上突破能力边界。在13个基准上，Beacon 不仅取得开源最佳，更展现出最强的模式自适应性和最大的工具净增益。但该方法依赖外部专家模型生成提示，且模型在避免不必要工具调用方面仍有提升空间。
现有GUI智能体在模拟基准上分数很高，但一到真实手机就频繁失败。Qwen-UI-Agent直面这个问题，构建了包含超100台真实设备的运行环境，让模型在真实应用、真实网络、真实弹窗中训练和评估。它还引入混合GUI+CLI动作空间，让智能体既能点击屏幕也能执行命令行，大幅提升复杂任务的完成效率。论文在多个真实设备基准上验证了方法的有效性，同时也坦诚分析了探索失败、弹窗干扰等仍存在的局限。
现有世界模型直接在像素空间预测未来视频，底层物理规律隐式且常出错。PHIZERO 提出“物理语言”——一种从野生视频中学到的紧凑离散状态过渡表示，将动力学推理与像素合成解耦。它先用 VLM 预测物理语言序列，再用扩散解码器渲染视频。在 Physics-IQ、PhyGround 等多个基准上，物理一致性显著优于直接像素预测的基线，并展示了零样本跨实体运动迁移。需注意，物理语言是经验表示，并非可解释的物理变量，且覆盖范围受限于视觉可观测现象。
多时相卫星影像因季节和光照变化导致外观差异巨大，传统立体匹配方法性能严重下降。SeasonStereo提出了一种全新的解决思路：利用生成式模型从真实同步像对合成几何保持的季节性影像，构建大规模多时相训练集；同时冻结基础立体模型MonSter++的零样本视差作为伪真值，结合同步像对上的光度一致性损失进行训练，完全避免了昂贵的LiDAR监督。实验表明，该方法在多个测试集上达到了与LiDAR监督方法相当的性能，尤其在多时相测试集上显著优于现有方法。需要注意的是，该方法在水体、树木等区域几何一致性较差，且依赖预训练基础模型的零样本质量。