事件记忆如何让流式足球解说既记住当下、又不忘历史
StreamSoccer提出以事件记忆为中间表示的流式足球解说系统，通过激活-更新-关闭-固化-检索的事件生命周期，在固定预算下支持当前事件、近期窗口和历史记忆三种解说模式。
问题引导式证据获取：让文档VQA从“看见”走向“读懂”
Q-Guide 将文档 VQA 重新定义为问题条件化的感知循环：智能体迭代判断缺失证据、调用定向恢复工具补齐，再提交答案，在 DocVQA2026 和 Manga109 上显著超越直接提示与多智能体基线。
PEA-DPO：把视觉上下文变成偏好目标，而不只是条件
PEA-DPO 提出视觉不敏感性（Across-Image 与 Within-Image）的理论刻画，并通过 CLIP 引导构造感知增强偏好数据与联合优化目标，显著降低 MLLM 幻觉。
图像消歧的视频时序定位：当文本不够用时，让参考图像来指认目标
提出ID-VTG任务，用参考图像+文本的多模态查询解决文本无法区分相似实体的视频时序定位问题，并构建两个基准数据集与VGD-Agg双分支快慢框架。
RoMAN-Flow：让自回归归一化流在离线机器人操作中真正可用
RoMAN-Flow 提出基于自回归归一化流（AR-NF）策略的离线强化学习框架，通过无采样的 NF-IQL 后训练和一步蒸馏解决 AR-NF 采样瓶颈，在多个仿真与真实机器人基准上取得竞争性性能并大幅降低推理延迟。
开放词汇3D检测的噪声从何而来？Co-3DGT用协同蒸馏与双重引导给出答案
提出Co-3DGT框架，通过协同蒸馏发现可靠新类物体，并以场景感知不确定性正则化和LLM引导的层次对齐实现鲁棒训练，显著提升开放词汇3D目标检测性能。
BeyondMasks：视频物体移除的因果与物理一致性评估
提出BeyondMasks配对基准与CORE评估协议，将视频物体移除从局部修复重构为因果干预问题，系统评估物体及其诱导物理效应（阴影、反射等）的消除。
DreamHand：把视频扩散模型改造成遮挡鲁棒的3D手部运动恢复器
DreamHand将预训练视频扩散模型改造为确定性干净潜变量编码器，配合双向时空解码器和基于射线的相机求解器，在单次前向传播中恢复遮挡及视野外双手的度量3D轨迹。
Inter-X++：人人交互基准的统一表示与高保真数据
Inter-X++ 构建了一个包含 11,388 条高保真交互序列、多模态标注和统一 OpenHHI 表示的大规模人人交互基准，系统性地解决了数据、标注、表示和评测协议碎片化的问题。
WithEveryone：为什么群体图像生成必须把“谁站在哪里”当成一个整体来规划
WithEveryone 提出统一多模态框架，通过身份-布局联合规划与 Layout-Grounded ID Loss，实现 5–10 人参考身份的连贯群体图像生成。