STRAND：测并改进视频大模型的对象中心时空监测
STRAND 用子问题联合计分的 Faithful Accuracy 诊断视频 MLLM 的对象时空监测，并用轨迹记忆框架降低幻觉、提高时序一致性。
人工智能
UltraBench 2：给超声视觉基础模型做更稳健的标准化评测
UltraBench 2 用统一下载、划分与评测协议覆盖十余项超声分类/分割任务，复盘显示病理任务仍最难，通用 DINOv3 已在分割上追平超声专项模型。
长视频里，怎样跟踪全部可见的三维点？
CMU+Meta 提出 TrackEverything：体素去重的世界坐标 3D 轨迹 + 静动分解 + 3D WAFT，使全点跟踪扩展到 1000+ 帧并报告在 40GB 内可行。
大模型每步都得跑，视频扩散还能怎么加速？
NVIDIA 相关作者组提出 TRACK：离线标定大/小去噪器逐步预测分歧，把低分歧步路由给小模型，Wan/Cosmos/Turbo/FastVideo 上报告 1.95×–2.73× 加速且聚合质量可比。
画面几乎一样时用翻转方向转向稳住视觉语言推理
FLIPDIR 从答案翻转对比对估计低秩翻转子空间，并在边际门控的解码步衰减该分量；VISFLIP 按模型与扰动构造恢复/保持评测组，在 18 个设定上平均抬高调和均值约 2.8 分。
尺度未知的三维基础模型，怎样补出米制人体场景？
滑铁卢大学提出 WildHSR：用人体尺子伪标签预训练 Scale Readout，并从预训练中间层 query-key 读出人物对应，把 up-to-scale 基础模型补成米制相机、场景与持久身份；EMDB-2 上 RTE 0.9、WA-MPJPE 66.3。
联合音视频生成，怎样拆开纠缠的奖励信号？
上科院、港理工等提出 AV-GRPO：用模态锚定 rollout、轨迹锁定冻结塔与模态自适应目标，把纠缠的多模态奖励拆成条件单模态子问题，并配 5DAV 数据集；在 LTX-2.3 上 LoRA/全参后训练均优于基线与 GDPO。
DeltaWAM：面向双臂操作的增量式世界动作模型
DeltaWAM 用稠密锚帧 + 稀疏视觉增量 + 动作三流联合建模，取代稠密未来帧预测，并引入 Streaming Delta Memory 做增量上下文更新，在提升鲁棒性的同时降低训练与推理开销。
HelloWorld：面向实用落地的生成式驾驶世界模型
HelloWorld 是约 2B 参数的驾驶世界模型系统：从异质视频先验渐进特化到位姿/高精地图/3D框可控的七相机 RGB 生成，再经少步蒸馏与条件 LiDAR 分支，服务可交互仿真与可扩展反事实数据生成。