DocAttriBench：文档视觉问答中的答案溯源基准
本文提出大规模文档 VQA 答案溯源基准 DocAttriBench，并用掩码困惑度方法 MAPPET 自动把答案落到文本块、表格与图像等版面元素。
人工智能
MiX：面向端到端低比特视觉语言模型加速的微反缩放
MiX 把微缩放反过来：每个元素自带相对指数、尾数在小组内共享，再与 MX 权重组合成无乘法器双格式脉动阵列，在约 4.5 bit 有效位宽上对齐或超过 NVFP4，并端到端加速视觉语言模型。
SenseFuse：无标签融合图像与形状编码器
SenseFuse 只改开放词汇三维实例分割的 mask 标注阶段，用无标签敏感度在单场景未标注提议上毫秒级估计场景级融合权重，把冻结的二维图像编码器与三维形状编码器线性融合。
理解并利用自回归图像生成中的对角注意力稀疏
本文系统刻画自回归图像生成的注意力稀疏，发现视觉 token 空间局部性带来的对角稀疏模式，并据此设计对角感知稀疏注意力，在稠密推理质量损失有限的前提下提升吞吐与延迟。
GRF-Recon：面向长序列前馈重建的全局射线场优化
本文提出 GRF-Recon，通过重归一化 LoRA 注入单目几何先验、混合权重稀疏射线场优化与轨迹拼接，把前馈三维重建扩展到千米级未标定单目序列并抑制长期漂移。
跨模态注意力充当频率滤波器：为什么冗长提示能提升视觉-语言模型的鲁棒性
本文提出跨模态注意力在图像频率域上充当任务条件滤波器，发现冗长提示通过拓宽该滤波器的频率支持范围，显著降低了视觉-语言模型在图像损坏下的预测漂移方差。
Paint-Anything：统一任意颜色控制的图像生成与编辑
本文提出 Paint-Anything，通过构建 Paint-500K 数据集和引入高噪声纯色彩锚点监督，实现了基于 24-bit hex 提示词的统一图像生成与编辑颜色控制，并在 ACBench 和 CompColor 上显著优于基线模型。
SplashSplat：从真实多视角视频重建飞溅液体
本文提出了首个同步多视角飞溅液体数据集 SplashSplat，并设计了一种基于 Lagrangian carriers 和 SDF 约束的动态高斯泼溅方法，实现了高质量的新视角合成、时间插值和风格迁移。