本文提出LUCID框架，针对多模态 AI Agent的长期记忆系统发起黑盒视觉攻击。现有防御机制往往忽视视觉数据的语义完整性，导致攻击者可通过植入不可察觉的对抗性图像，在无需访问模型权重或文本通道的情况下，成功污染记忆。实验显示，在Mem-Gallery基准上，上下文中毒攻击成功率高达61.6%，上下文注入攻击成功率达58.4%。本文分析了不同记忆后端（如MuRAG, NGMemory, UniversalRAG）的脆弱性，并评估了高斯模糊等防御策略的有效性，指出当前防御手段的局限性。
现有遥感模型多局限于静态或双时相对比，缺乏对长期连续演变的系统性评估。本文提出ChronoBench基准与GeoChrono模型，通过分解认知层级和构建位置时间轨迹，显著提升了多模态大语言模型在遥感长期时序理解中的表现。实验显示，GeoChrono在ChronoBench上达到78.34%准确率，超越领先商业模型超20%。同时，C2FComp模块在减少56%视觉Token的同时保留94.6%性能。尽管与人类专家仍有差距，但该工作为遥感长期动态分析提供了重要基准与架构参考。
本文提出AdaTurn框架，解决主动视觉代理在有限Rollout预算下的灾难性截断问题。通过预算条件化决策与FA-DAPO强化学习策略，模型学会在预算耗尽前主动生成答案。实验显示在VisualProbe等基准上低预算性能显著提升，且负载均衡调度器提升了训练效率。
本文分析VideoChat3，一种全开源的视频多模态大语言模型。针对现有模型泛化能力有限、计算效率低下及可复现性差的问题，VideoChat3提出I3D-ViT架构和自适应帧分辨率机制。实验显示其在MotionBench和TempCompass上取得全开源最佳成绩。需注意自适应分辨率依赖状态预测准确性，且长视频数据依赖LLM生成。
本文提出ALTR框架，解决VLM中视觉Token冗余导致的计算瓶颈。通过Rényi熵估计重要性和基于MLP变换一致性的多样性采样，ALTR在不依赖注意力图或成对比较的情况下，实现即插即用的Token缩减。实验显示，在LLaVA-v1.5-7B上保留192个Token时，平均性能保留98.86%，且额外FLOPs仅为4.13M，完全兼容FlashAttention-2。该方法适用于需要高效部署VLM的边缘场景。
本文提出SIVA-RL框架，针对多模态强化学习中视觉干预效果异质性问题，通过基于奖励下降幅度的动态路由，将样本分为敏感性对齐和不变性对齐。实验显示，该方法在Qwen2.5-VL-3B和7B模型上显著提升视觉依赖任务准确率，但需注意PatchSwap超参数敏感性及黑屏正确性的误导性。
本文介绍MM-ToolSandBox，一个包含500+工具、支持多轮多图交互的视觉工具调用代理评估基准。研究揭示了当前模型在视觉精度和规划能力上的瓶颈，以及随规模变化的失败模式转移。
本文提出视觉预训练（VP），直接对原始科学文档图像进行自回归视觉潜在预测。实验显示，在相同语料源下，VP在GPQA等科学推理基准上显著优于文本预训练（TP），且跨模态对齐指标（如Centroid Separation）大幅改善。VP通过稀疏前景视觉表示保留页面结构，无需文本提取或配对监督。优势在视觉结构密度高的样本上最显著，纯文本主导样本上优势不明显。