PIVOT：当三维重建走出实验室，位姿、内参与轨迹泛化如何被真实部署击穿？
PIVOT是一个多轨迹数据集与测试平台，通过保留传感器测量位姿与COLMAP优化位姿、物理标定与场景优化内参，并显式区分已见/未见轨迹，系统研究真实部署条件下三维重建的泛化与敏感性。
深度学习
SeVeR：选择性视觉暴露如何让3D医学影像问答更准更快
提出BreMRIs-VQA多序列乳腺MRI问答基准与SeVeR框架，通过原型选择与门控检索在暴露更少视觉token的同时提升3D医学VQA性能。
看得越多，检测越少？驯服多视角异常检测中的信息泄漏
GLAD 提出信息受限的全局-局部多视角融合框架，通过 OGA 和 MMA 模块防止跨视角信息泄漏导致的重建差距坍缩，在多视角异常检测上取得 SOTA 性能。
VBVR-Pro：让视觉推理可验证、可训练、可对比
VBVR-Pro 构建了一个包含300个程序化生成任务、可验证奖励评分器和多模态受控对比的闭环测试平台，使原生视觉推理可训练、可验证、可优化、可实验控制。
RefVideo-6M：用真实视频对替代伪影监督，让参考引导编辑更可靠
提出包含5M视频对和1M图像对的可靠参考引导编辑数据集RefVideo-6M，并基于此训练RefMoT模型，在指令式和参考式视频编辑上取得SOTA性能。
GaussVLA：把2D视觉变成3D高斯token，让机器人真正理解空间
GaussVLA 提出 Gaussian Spatial Tokenizer (GST) 与 Depth-Aware Chain-of-Thought (DA-CoT)，将 2D 视觉特征提升为结构化 3D 高斯 token 并进行深度感知推理，在仅 200M 参数下于 LIBERO 达到 93.5% 平均成功率。
潜在视觉推理的增益到底来自哪里？
该论文将潜在token分解为槽内容、边界标记和格式三个组件，通过构建内容有利的MVH探针，证明潜在槽内容并非可恢复的视觉记忆，潜在token的增益主要来自标记与格式控制及视觉注意力路由。
Zero-WAM：用人类视频当任务指令，让机器人零样本学会新操作
Zero-WAM 提出以人类视频作为上下文任务指令，通过大规模自动生成的人-机器人配对数据（HumanGen）和上下文未来块预测（IFP）目标，实现零样本跨任务机器人操作泛化。
定位并干预 LLaVA 中导致物体幻觉的注意力头
通过诊断筛选出与物体幻觉相关的32个注意力头，仅对这些头做 LoRA 适配并叠加推理时 grounding 控制器，在 COCO 上显著降低 CHAIRs/CHAIRi，同时使生成更短更保守。