噪声下VLM视觉token剪枝为何失效：聚类选择与残差收缩的免训练解法
提出ClustRS，一种免训练的两阶段视觉token剪枝方法，通过注意力加权Huber k-means聚类选择代表性token，并用鲁棒残差收缩去噪，在极端压缩和噪声条件下显著提升VLM鲁棒性。
计算机视觉
Swift-Image：紧凑统一图像生成模型的性能前沿
Swift-Image 是一个仅 6B 参数的紧凑统一图像生成与编辑模型，通过系统化训练工程（渐进式训练、并行专家 RL、多教师 OPD、Prompt Enhancer、剪枝与少步蒸馏）在开源模型中取得领先的综合编辑性能。
跨示踪剂自监督预训练如何让全身PET/CT病灶分割更抗域偏移？
提出MUST-PET，一个跨示踪剂的多模态自监督预训练框架，利用大规模多机构泛癌PET/CT数据提升全身病灶分割的标签效率和跨域泛化能力。
冻结骨干胜过微调：当训练分布只覆盖评测的四分之一
本文提出在训练分布仅覆盖评测集25%的PhysAI Dynamic 4D Reconstruction Challenge中，冻结预训练4RC骨干、仅通过三种推理时解码配置的凸融合取得第三名（0.58356 APD），并系统记录了13次微调中12次在挑战指标上退化的负结果。
TempJail：字幕时序调度如何成为视频越狱的新突破口
TempJail 提出首个利用字幕时序调度（而非仅内容构造）的黑盒视频越狱框架，通过对话式字幕构建、语义匹配背景视频生成和 CMA-ES 时序优化，在多个 LVLM 上显著超越现有基线。
Block3D：把逐token自回归换成块级扩散，文本到3D生成快五倍
Block3D将Cube的逐token自回归生成改为块级自回归+块内并行去噪，并引入置信度引导的块内修正，在保持几何质量的同时将平均生成时间从25.71秒降至4.99秒。
潜在动作到底什么在起作用：一次41种设计选择的系统实证
本文首次对机器人操作中的潜在动作学习（LAM）进行系统性实证研究，统一了代表性方法并考察41种设计选择，揭示潜在动作建模范式、正则化强度与集成策略对下游操作性能的影响。
Stream4D：用4D一致性奖励打破流式视频模型的静态坍缩捷径
Stream4D 提出用前馈 4D 高斯泼溅重建奖励替代静态 3D 奖励，并配合高斯运动门控与感知锚点，在强化学习框架下同时提升流式自回归视频模型的 4D 一致性与运动保持能力。
VGI-BENCH：视频模型到底有没有视觉智能？
现有视频推理基准有三个问题。第一，输入大多是线稿或抽象示意图，和真实世界视觉分布不匹配。第二，很多任务只要求生成一个合理的最终状态，不要求展示视觉推演过程。第三，任务难度没有经过校准，有的太简单，有的根本不可解。这三个问题让诊断结果缺乏说服力。