当深度有害时：用于无深度 RGB-D 显著性目标检测的可靠性感知几何蒸馏
GeoDistill 提出一种深度无关的 RGB-D 显著性目标检测框架，通过从冻结的 Depth Anything V2 教师模型蒸馏几何信息，并在推理时移除教师，利用可靠性感知融合机制解决传感器深度噪声导致的性能下降问题。
深度学习
视觉Token剪枝：从保留高分到覆盖证据
本文提出CoverPruner，一种无需训练的视觉Token剪枝方法，通过最大化目标VLM投影空间中的表示覆盖（Representational Coverage Maximization, RCM）并引入指令条件需求权重，在激进压缩率下显著优于现有剪枝基线。
Principia：用关系不变量测试视频模型的物理一致性
本文提出 Principia 基准，通过评估成对物体在图像空间中的关系不变量（无需相机标定），揭示当前视频生成模型和视觉语言模型在视觉质量高企的同时，物理一致性极低且随规模扩大并未显著改善。
时间的形状：用于 VideoLM 时间理解的 Video-Token 对比学习
本文提出 VT-Contrast，一种在 VideoLM 训练中对视频 token 表示施加时间反事实对比监督的方法，通过区分保持时间顺序的正样本与打乱顺序的负样本，增强模型对事件动态和时间顺序的感知能力。
SafeRI：面向大型视觉语言模型 token 级安全干预的识别与干预框架
SafeRI 提出了一种流式风险识别与门控 LoRA 框架，仅在 VLM 生成轨迹出现不安全漂移时激活安全参数，从而在提升安全性的同时最小化对通用能力的干扰。
SV-WAM：用于端到端自动驾驶的高效环视世界-动作模型
SV-WAM 提出了一种基于 action-centered causal mask 的环视世界-动作模型，通过训练时联合去噪未来视频与动作、推理时仅保留动作分支，实现了在保持六路相机全景感知优势的同时，显著降低推理延迟并提升 NAVSIMv2 规划性能。
展开世界：在强化空间推理中分解4D属性
FactoSR提出了一种基于分解式强化学习（Factorized RL）的框架，通过解耦XY平面、Z深度和T时间维度的可验证奖励，显著提升了VLM在4D空间推理任务中的表现。
Scal3R：冻结骨干与轻量位姿查询，破解长视频在线3D重建的累积漂移
Scal3R通过冻结骨干网络并注入轻量级相对位姿查询token，结合在线位姿图优化，解决了长视频流中全局位姿回归导致的累积漂移问题，实现了公里级场景的稳定在线重建。
OctWorld：基于八叉树三维映射的长程世界一致性视频生成
提出 OctWorld 框架，利用自适应八叉树 TSDF 记忆模块 OctMap 融合生成帧的深度信息，实现长程、空间一致且可探索的视频生成。
LLaDA-Image：基于完全开放训练配方的强图像生成器构建
LLaDA-Image 提出了一种统一框架，通过解耦视觉先验学习与语言对齐，结合 dLLM 理解模块、单流 DiT 生成器及 TwinFlow 蒸馏技术，在保持高真实感的同时实现了高效的文生图与图像编辑能力。