LAION-Mobile：在百万张智能手机照片上评估 Deepfake 检测器
本文构建了包含约100万张智能手机照片的 LAION-Mobile 数据集，审计了12个 SOTA Deepfake 检测器，发现它们在现代 AI 生成内容上性能大幅下降，且在真实手机照片上产生高达 91% 的误报率，证实了计算摄影对检测器构成的挑战。
人工智能
用图像生成先验重建城市 DSM：ELEVATE 的引导超分辨率
本文提出 ELEVATE 方法，利用预训练的扩散模型（Stable Diffusion）结合高分辨率 RGB 图像引导，将 5m 低分辨率 DSM 超分辨率至 0.5m，并支持单步推理与不确定性估计。
OmniKVQuant：面向 Omni-LLM 的 KV 缓存量化
本文提出 OmniKVQuant，一种针对多模态大语言模型（Omni-LLM）的免训练 KV 缓存量化框架，通过局部时间范围自适应和模态感知值旋转，在 2-bit 精度下显著优于 TurboQuant。
递归代码世界模型：通过递归场景程序构建复杂世界
本文提出 Recursive Code World Models (RCWM) 框架，结合 Recursive Scene Programs (RSP) 表示与递归求解器，通过“建立整体-递归重构局部-回访整体”的循环，从单张参考图像重建高保真且可执行的 3D 场景程序。
World in World：利用世界模型探索世界
提出了一种免训练的视觉证据接口 World in World (WiW)，通过原生自注意力机制将异构控制证据（源视频、投影、几何、历史）转化为冻结因果视频世界模型可读取的干净视觉状态，实现灵活且一致的长时程视频重渲染与探索。
MINDTOPO：基础模型能否在拓扑空间中推理？
本文提出 MINDTOPO 基准，基于认知科学和形式拓扑学定义五种拓扑属性，通过推理和规划两个认知层级评估 14 个 MLLM 的拓扑直觉能力，发现模型在静态推理上表现优于交互式规划，且视频生成代理无法可靠保持拓扑不变性。
HuRo：将人类视频机器人化以实现可扩展的 VLA 预训练
本文提出 HuRo 流水线，将大规模人类视频转化为对齐的机器人观测与动作数据，构建包含 630K 个 episode 的 HuRo 数据集，证明其作为 VLA 策略预训练源的可扩展性及在真实世界操作任务中的优越性能。
Vidu S2：实时交互式、可编辑及空间视频生成
Vidu S2 提出了支持实时 720p 交互数字人生成（Vidu S2-Avatar）和实时视频流编辑（Vidu S2-Editing）的模型，并探索了实时空间视频生成，在多项基准测试中优于现有基线。
SenseNova-U1.5：迈向原生统一视觉智能
SenseNova-U1.5 是一个 8B 参数的原生统一多模态模型，通过空间联合重建解码器和多专家强化学习及蒸馏策略，在无需外部编码器和 VAE 的情况下实现了高质量的视觉理解、推理与生成。