多模态

Matrix-Game 4.0 在 RTX5090 上实现 480p 60FPS，延迟 112ms

将游戏逻辑与视频生成分离，以可执行引擎和自回归视频渲染实现低延迟交互；代码、权重和资产开源，为实时视频生成应用提供可复现路线。

ReCam 长视频生成获 VBench-Long 最高分 80.1

长视频生成的全上下文记忆与去噪调度设计可有效缓解漂移，对视频生成工程优化有明确借鉴。

研究显示人脸吸引力偏差可颠覆 T2I 排行榜与奖励模型

提醒评估与排行榜需控制人脸吸引力等混杂因素，避免奖励模型被无关特征偏置，影响对齐实践。

移除文本捷径微调提升视觉上下文学习 8.1 到 18.0 点

证明视觉演示数据应成为 VLM 训练标准组成，提升多图与纯文本上下文学习且不损单图能力。

WeVisOne-VL 统一对象与像素级感知，覆盖 30+ 基准

开源 VLM 统一检测、OCR、分割与 matting，为细粒度视觉感知提供可部署参考。

LaLa-World 用语言条件接口让潜世界模型跨域学习规划

展示语言条件统一异构数据训练世界模型的可行路径，对具身智能规划与策略微调有参考意义。

PhysibleMDM推理时优化扩散噪声：地面穿透/自碰撞/滑动降75%/92%/74%

无需重训即可提升扩散运动生成的物理可行性，减少后续仿真/控制中的轨迹违规，对运动生成落地有直接借鉴价值。

提出 VAP：CIFAR-100 速度损失降 6.78%、FD 降 23.6%

提供可定位模糊受限/数据受限区域的诊断工具，可指导 flow matching 时间采样，减少冗余训练并提升生成质量。

提出 OmniCompass 基准：820 视频与 2,460 实例评测 50 个 MLLMs

统一全模态视频定位与理解评测，揭示开源模型在音视频理解上的差距，可用于多模态模型选型与诊断。

4B 的 GroundingPI 在 34 个 grounding 基准达 SOTA，超过 GPT-6 Astra

为 VLA/WAM 提供快速精确的视觉 grounding 基座，直接决定机器人闭环控制在杂乱场景与小目标上的可用性

LightCRS 将多域推荐 HR@1 提升 35.4%

5.3M 参数共享模块与离线表示把延迟降 266 倍，对多域多模态推荐工程有参考价值。

MOSS-Image 开源 5B DiT，强化长文本渲染与版式控制

开放权重模型补上密集文字与复杂排版短板，并配长文本评测基准，可直接评估替换闭源方案