学术研究

VANE 用下一帧预测做视觉预训练，EPIC-KITCHENS-100 超 V-JEPA 2.1 7.1 点

提供统一图像/视频的自监督表示学习路径，证明嵌入空间下一帧预测随模型与数据扩展有效，可作为视觉骨干预训练参考。

ULME 统一嵌入与生成，MTEB 提升 3.3-4.1 分并跨 Qwen2.5/Qwen3

统一 embedder 和 generator 减少 RAG/agent 系统双模型部署，提升检索与生成一致性。

EgoX 自我中心重建相机误差降 68.9%

提供自动标注、大规模数据与基准，对具身感知、手物交互和场景重建工程有参考价值。

TSFM 预训练平均增益仅 2.58 点，校正后仅 NuTime 显著

提示 MTSC 评估应区分预训练权重与架构贡献，并纳入随机初始化、非预训练强基线，避免高估 TSFM 收益。