医学视觉语言模型（VLM）生成的注意力热力图是否忠实反映了驱动预测的图像证据？本研究通过因果扰动和受控定位指标审计发现，当前主流医学VLM（如MedGemma, LLaVA-RAD, Qwen3-VL）的注意力热力图虽看似合理，但并未真正锚定驱动预测的图像证据，且无法通过随机控制测试。相比之下，专用CXR分类器（如DenseNet）在相同测试中表现显著更好。视频详细解析了三轴验证协议、实验结果及VLM解释的局限性，提醒研究者避免仅凭视觉检查验证可解释性。
本文介绍Mage-Flow，一个紧凑型4B参数生成堆栈。通过轻量级Mage-VAE、原生分辨率MMDiT骨干网络及系统级优化，实现了高效的高分辨率文本到图像生成及指令式图像编辑。在GenEval上达到0.88，1024²分辨率下生成耗时0.59s，显存约17.68GB。需注意模型规模限制及Turbo变体的蒸馏依赖。
本文介绍AniGS方法，旨在解决3D高斯溅射(3DGS)重建场景静态化的问题。通过迭代数据集-模型更新策略和ComposedV2V模块，利用视频扩散模型为大型户外场景添加自然的环境动态（如植被运动）。实验显示在DL3DV和自建数据集上，AniGS在FVD-LTX指标上显著优于Gaussians2Life和PhysDreamer，且多视角一致性良好。需注意该方法依赖高质量静态重建，且难以处理强延时效果。
本文提出FilmWorld，一种将小说生成电影形式化为动态电影世界建模的端到端 Agent 系统。针对长视频生成中的语义漂移和因果不一致问题，FilmWorld采用解耦的构建与演化阶段，通过显式状态追踪和跨镜头动态状态传播，确保长叙事中的视觉连贯性。在FilmEval基准上，FilmWorld在叙事保真度和电影一致性方面全面优于SOTA，且并行执行实现5.62倍加速。需注意，当前系统仅针对1,000-5,000字的中长篇幅小说，且生成质量受限于底层骨干模型。
本文介绍 OmniReasoner，一种针对长音频视频推理的工具使用后训练框架。针对长视频中证据稀疏且全量高保真处理成本高的问题，OmniReasoner 让模型先进行低成本全局预览，再决定调用 zoom-in 工具获取特定区间的高保真片段。核心创新包括 TimeAnchor 解决跨采样率时间锚定，以及 Temporal Augmented Data Engine 合成训练数据。实验显示在 OmniVideoBench 和 VideoHolmes 上显著超越基线。需注意当前框架对全模态模型支持有限，且存在幻觉风险。
本文介绍ABot-World-0，一种基于动作条件的视频世界模型。针对现有世界模型在长时程一致性、控制耦合及部署效率上的瓶颈，研究提出WorldExplorer闭环数据系统、LongForcing长时程分布匹配机制，以及基于LightVAE、FP8/MXFP4量化和SageAttention2的全栈推理协同设计。在WorldRoamBench基准上，该模型在Strict Accuracy等指标上优于Genie 3等基线，并在单张RTX 5090上实现16 FPS实时交互。需注意，性能数据基于特定硬件，且部分基线模型参数量较大，比较时需考虑规模差异。
本文提出Surprise Forcing框架，解决流式自回归扩散模型在长视频生成中的上下文遗忘和计算分配不均问题。通过Surprise-Gated Memory Bank动态管理外部记忆，利用Intra-Chunk Surprise Predictor自适应调整去噪步数。在VBench-Long基准上达到SOTA，主体一致性63.98，FPS达17.18。该方法为免训练推理优化，依赖基础模型性能，适用于对长程一致性要求高的场景。
本文提出IGGT4D，针对现有流式3D重建缺乏物体身份时间一致性的问题，构建了一种因果时空建模框架。通过Tri-DPT头联合解码几何与实例特征，并结合流式聚类算法，实现了常数时间复杂度的4D实例分割。在ScanNet++和HOI4D等数据集上，该方法在相机位姿估计、3D重建和实例跟踪任务上均优于Stream3R和CUT3R等基线。同时，论文构建了InsScene4D-147K大规模数据集。需注意，模型在因果约束下位姿精度略低于全注意力离线模型，且长序列推理需避免显存溢出。
视频模型蕴含丰富的物理先验，但低维动作信号（如关节角度）具有本体特异性，难以被预训练视频模型有效利用。本文提出“掩码视觉动作”（Masked Visual Actions），将动作表示为像素空间中实体的部分可见轨迹。通过LoRA微调Wan-Fun-Control 2.2 14B模型，在DROID和Robocasa数据集上训练。该方法实现了跨本体泛化，统一了前向模型（预测场景响应）和逆模型（合成机器人行为）。实验显示在DROID上LPIPS为0.0945，策略评估相关性r=0.982。需注意模型学习的是相关性而非因果关系，且存在对任务进展的正向偏差。
针对现代视觉语言模型（VLM）生成图像的篡改检测难题，PIXAR-DG提出跨域泛化训练框架。通过平衡采样、晚期注入和低学习率策略，PIXAR-DG在PIXAR基准上显著优于PIXAR、SIDA和LISA等基线方法。实验显示，PIXAR-DG-13B在分布外生成器上的准确率提升25.0%，且仅需19.2%的训练数据即可达到更优效果。需注意，该方法依赖源域数据质量，极端分布外偏移下可能失效。