HarnessEval-W：把世界模型评测变成可追溯的智能体推理
HarnessEval-W 提出一种智能体化评估流水线，将世界模型评测分解为可验证的子问题，由专用子智能体推理并生成透明证据树，在 330 个案例上评估 18 个世界模型。
CVPR三分钟
SQuad：用两次真实 softmax 注意力，把视频 DiT 的二次复杂度压到亚二次
SQuad 将视频 DiT 中的全 softmax 自注意力分解为局部窗口内与跨窗口全局两次 softmax 注意力，以 O(n√n) 复杂度蒸馏预训练模型，在 Wan 2.2 5B 上以 6 NFE 匹配原模型 VBench 质量并大幅降低计算成本。
PixRestore：无VAE像素扩散如何让统一图像复原既快又真
PixRestore提出一种无VAE的像素空间DiT统一图像复原模型，结合DINO自适应分层视觉引导与单步对抗微调，以约50M参数和44ms延迟在八类退化任务上取得最佳综合质量与效率。
SplatGuide：把3D高斯重建变成扩散模型的几何指南
关键区别在这里：此前的方法最多只提取一种信号。有的用渲染像素做条件，有的注入学习到的特征，有的只传位姿。但没有一个方法同时利用渲染图像、可见性信息与重建token这三路信号。而这三路信号恰好互补：渲染图提供粗糙但确定的空间布局，可见性告诉模型哪些参考视角真正看得见目标区域，token则携带全局场景语义。SplatGuide的核心主张就是：把同一个3D高斯场景里的三路信号全部桥接给扩散模型，才能补上信息断裂。
TRACE-Bench：把多参考图像生成拆成四个原子算子来诊断
提出将多参考图像生成分解为 Anchor、Disentangle、Apply、Compose 四个原子算子的能力导向基准 TRACE-Bench，支持算子级评估与诊断树故障定位。
InstaBind-Lite：大视觉语言模型为什么把属性安错同类实例
提出 InstaBind-Lite 基准，将 LVLM 把可见同类实例的属性错误归属到另一实例的 DSCAM 失败形式化为可测量类别，并揭示其邻接结构与干预效果。
像素空间文生图扩散模型训练的经验研究
本文通过大规模受控实验系统研究像素空间文生图扩散模型的训练配方，提出latent-to-pixel策略，使像素空间模型以3.18–4.75倍推理加速达到或超越latent-space模型性能。