ACE-Data-0：把家变成多模态影棚，1700万帧全感官数据打通具身长程交互
针对全维度物理交互数据的长期匮乏，最新提出的环境感知数据采集引擎 ACE （Ambient Capture Engine）及其衍生的大规模数据集 ACE-Data-0 尝试给出一套系统性的破局方案。
多模态&视觉 第2页
CofactVLA：清华提出反事实干预框架，真实机器人OOD成功率提升52.3%
针对这一瓶颈，清华大学研究团队提出了一种名为 CofactVLA 的因果反事实去混淆框架。该方法抛弃了以往依赖数据增强或后处理粗暴相减的做法，将动作生成过程形式化为一个双路径去混淆图（Dual-path Deconfounding Graph, DDG）。
Crayotter：用组内相对偏好反传攻克视频剪辑，9B模型超越商业系统
针对这一困境，开源研究项目 Crayotter 提出了全新范式： GRPB（Group-Relative Preference Backpropagation，组内相对偏好反向传播） 。
Video-DeepResearch：解耦感知与检索，开源35B超越Claude-4.5
针对这一困境，研究团队提出了首个面向连续视频流的深度研究智能体框架 Video-DeepResearch （简称 Video-DR ）。该工作打破了传统智能体自由调用工具的既定思维，提出了一种“感知与探索解耦”的分阶段工具解锁机制，强迫模型在跨帧完成穷尽的时空视觉定位之后，才被允许访问外部网络检索。
WorldTrace：破解视频世界模型长程遗忘，免训练让场景召回提升19.5%
为此，研究团队提出了完全免训练的长程记忆框架 WorldTrace ，以及专门用于评估场景回访一致性的基准测试 LoopBench 。在不改变原有模型权重、不增加显存峰值的前提下，WorldTrace 实现了 15.5% 的时序一致性提升，并将场景回访的情节召回率提高了 19.5%。
FlashDrive：打破VLA四级瓶颈，10B自动驾驶大模型提速4.7倍跨入实用门槛
针对这一核心痛点，研究团队提出了名为 FlashDrive 的算法-系统协同优化框架。FlashDrive 并没有大动干戈去重构模型底座，而是针对流水线中四个阶段的具体冗余。
Hugin：突破多视角协同规划瓶颈，Qwen3-VL分拣准确率从63.6%提升至78.8%
为了让视觉语言大模型（VLM）真正具备统揽全局的工业级规划能力，研究者提出了名为 Hugin 的全流程优化训练框架，并构建了涵盖四种工业真实布局的基准测试集 SortingBench 。实验结果表明，Hugin 在多个开源大模型基座上均取得了显著提升。
RIFT：告别耗时视频推演，单次前向生成未来Cache，延迟降低89%
基于此，研究团队提出了 RIFT （ Rollout-free Imagination via Future Tokens ）框架。RIFT 彻底摒弃了测试阶段迭代式的视频去噪，仅通过引入一组可学习的“前瞻 Token”（Anticipation Tokens）。
ClinLens：代码100%跑通却仅56%正确！首个多模态临床数据Agent基准
山东大学研究团队针对这一核心问题提出了 ClinLens。这是首个面向纵向多模态临床数据科学的长程代码智能体基准评测。通过深度打通并关联 MIMIC 体系下的五大异质医疗数据源，ClinLens 构建了跨越 4 种患者-时间维度与 5 类高频分析能力的 200 项可执行任务。
HumanCLAW：瓶颈不在视觉而在身体意识，最强VLM成功率仅16.8%
由 Meta、布朗大学、华盛顿大学、南洋理工大学以及西北大学联合提出的评估框架 HumanCLAW ，给出了一个颇具颠覆性又引人深思的答案。研究团队将未经过特定具身微调的现成（off-the-shelf）前沿模型置于闭环控制中，构建了包含 1,218 个室内长程任务的基准 HumanCLAW-...
提示词越长画质反而倒退？视觉生成首次揭示文本条件扩展律
本文提出了一个清晰的双轮驱动框架：生成系统的最终表现，本质上取决于“可扩散性”（Diffusability）与“可提示性”（Promptability）的乘积。所谓的 可扩散性 ，指的是一种文本表示格式在多大程度上能够高效、无损、结构化地把像素背后的监督信号暴露给扩散模型。
VideoXAgent：告别离线预处理，纯在线长视频Agent将上下文降至15%
针对这一两难困境，百度团队在一项最新研究中提出了名为 VideoXAgent 的纯在线长视频智能体框架（Purely Online Video Agent Harness）。
ToolArtist：统一多模态模型自主搜图与绘制，拿下开放基准非商业第一
由香港科技大学、新加坡国立大学、中国人民大学及都柏林大学学院等机构组成的研究团队，提出了名为 ToolArtist 的全新框架。与以往“外挂式拼接”的生成智能体完全不同，ToolArtist 基于原生统一多模态模型（Unified Multimodal Model, UMM）进行后训练。
VC-Tooler：让视觉Agent学会组合与自适应工具，V*达95.8%
VC-Tooler：该项研究明确提出：视觉工具调用不应被视为对死记硬背参数的拟合，而是一种包含视觉接地（Grounding）、多步组合（Composition）与自适应反思（Adaptation）的通用能力。
Handoff-H1：三层视觉Agent破局蓝图算量，81.6%高分超越专业预算员
Handoff-H1：实验结果呈现出了极其鲜明的断层阶梯。七款采用主流前沿商业闭源模型与开源权重模型搭建的标准 Agent 框架，其综合得分集中在 35% 至 61% 的平庸区间内。这些通用模型在面对跨页面的尺寸链汇总与深层次构造隐喻时，表现出系统性的疲软，普遍在覆盖率不足的同时伴随着大量的数...
Code-with-Image：代码即推理，多模态准确率从30%升至67%
由诺基亚、香港理工大学以及佐治亚大学联合提出的 Code-with-Image 框架，彻底推翻了以往“工具提供视觉碎片、语言产出最终答案”的协作逻辑。研究团队给大模型配置了一个纯粹的 Python 解释器，没有任何预设的高层视觉 API：图像直接以底层数据形式进入沙箱。
TextCall：视觉大模型调工具，真正起效的原来源自文本而非像素？
为了严格证明这一点，研究团队提出了名为 TextCall （只调用、不返回图像）的训练与评测机制：模型照常生成完整的工具调用脚手架（Scaffold），但在工具执行完毕后，系统完全不回传裁剪后的新图像，而是直接用一个固定的文本占位符 [Image output skipped] 替代。
不看代码不发请求：MCPSec仅凭描述挖出98.9%的MCP注入漏洞
针对这种“无从下手”的极端攻防环境，亚利桑那州立大学（Arizona State University）的研究团队在一篇前沿论文中开创性地提出了 无盒漏洞分析（No-Box Vulnerability Analysis） 新范式，并构建了自动化原型系统 MCPSec 。
不卷任务轨迹！NUS等提出STP：靠视觉状态转移预训练，GUI智能体最高提升6.2%
来自新加坡国立大学（NUS）、Sea AI Lab 等机构的研究团队提出了名为 STP（State Transition Pretraining，状态转移预训练） 的全新扩展范式。该方法巧妙地绕开了对端到端任务指令的依赖，将现存轨迹拆解为最底层的单步视觉状态转移三元组 。
StreamMind：双层架构解耦长程流式视频记忆，端到端延迟降低66%
面对“又要低延迟响应、又要小时级记忆、还要主动警觉”的“不可能三角”，研究团队提出了 StreamMind。其核心系统哲学非常明确： 不能把长时间尺度的记忆沉淀与复杂推理，堆死在用户交互的延迟敏感路径上。
Meta揭秘多模态预训练机制：晚期对齐引发“视觉惰性”，早期统一才是正解
Meta：实验结果呈现出近乎绝对的单调增长：随着文本先验的增强，模型在通用视觉问答、视觉中心感知任务（如空间、3D与计数）上稳步提升，在 OCR 与图表推理等知识密集型任务上更是迎来爆发式增长。
Aero Realtime：港大清华提出双工流式架构，4B模型84ms时延实现边听边说
针对这一根本性断层，来自香港大学、清华大学与 LMMs-Lab 的研究团队提出了 Aero Realtime 。这是一个参数量为 4B 的流式多模态大模型，核心在于打破了非全双工（Non-Duplex）的技术藩篱。
MIRA：盲目调用工具反受其害？同济等提出医疗视觉反思Agent，有害调用直降至1.6%
近期，来自同济大学、南京大学、西北工业大学、中国人民公安大学以及巴黎高等师范学院的研究团队提出了名为 MIRA （Medical Image Reflection for Agentic Diagnosis）的全新医疗视觉诊断框架。
Repeat-After-Me：黑盒自适应视觉注入攻破商业前沿多模态智能体
本文提出了名为 Repeat-After-Me 的黑盒自适应视觉提示词注入框架。该方法不依赖梯度，无需白盒权限，在正常的良性用户任务干扰下，成功诱导前沿商业模型泄漏隐私数据，甚至精准触发原生工具调用（Native Tool Call）。