多模态大模型的空间幻觉：如何不训练就揪出推理链中的错误证据？
提出一种无训练、模块化的框架，通过构建空间证据图（SEG）和空间证据可靠性评估（SERA）来定位并纠正多模态大模型推理链中与视觉输入不一致的中间空间证据，从而提升最终答案准确性。
MLLM
更好、更强、更快、更广：面向多模态大语言模型分割的结构化全掩码预测
提出结构化全掩码预测范式，将自回归对话与非自回归掩码生成解耦，通过单次前向传播同时预测所有掩码令牌，在保持对话能力的同时实现高效、高性能的通用分割。
CodeShrink：自适应视觉压缩如何让代码图像比纯文本更高效
提出自适应视觉压缩框架CodeShrink，通过空白去除渲染、主导令牌选择和强化学习驱动的自适应压缩配置，在多种代码理解任务中大幅降低视觉令牌消耗并保持或超越未压缩文本输入的性能。