摘要：本文提出Diffuman4D方法，通过滑动迭代去噪机制增强4D扩散模型的时空一致性，实现稀疏视角视频的高质量视图合成。该方法定义4D潜在网格编码图像、位姿和姿态信息，采用滑动窗口在时空维度交替去噪，使信息充分流动。实验证明，在DNA-Rendering和ActorsHQ数据集上，该方法生成的视频在PSNR、SSIM等指标上显著优于现有技术，保持更好的时空连贯性，同时控制GPU内存消耗。研究还

为了支持FilmAgent框架的电影制作流程，作者团队精心构建了虚拟3D空间。这些空间包括15个反映日常设置的场景，如客厅、厨房、办公室和路边等，为各种叙事提供了多样化的背景。每个场景都预先配置了演员位置和摄像机设置，以满足不同拍摄需求。演员位置：环境中包括32个站立点和33个坐立点，每个点都附有详细描述，指示其位置。摄像机设置：定义了9种镜头类型，包括3种静态镜头（特写、中景和远景）和6种动态镜

摘要：本研究推出GLM-4.1V-Thinking视觉语言模型，通过大规模预训练和创新的课程采样强化学习（RLCS）框架，显著提升了多模态推理能力。模型在28个基准测试中全面超越同类7B模型，与72B大模型相比，在18项任务中表现相当或更优，尤其在STEM推理和长文档理解等复杂任务上展现出竞争力。研究开源了GLM-4.1V-9B-Thinking模型，其性能媲美GPT-4o等闭源模型，为多模态AI

摘要：本研究挑战了强化学习（RL）仅放大语言模型已有能力的观点，提出通过Prolonged RL（ProRL）训练可发现全新推理策略。ProRL方法整合KL散度控制、策略重置和多样化任务，在16,000 GPU小时的训练后，模型在数学、代码等任务上pass@1准确率提升14.7%-54.8%，特别解决了基础模型完全失败的场景。研究表明RL能持续扩展推理边界，其效果取决于基础模型能力和训练时长。虽然

空间参照是体现机器人与3D物理世界交互的基本能力。 然而，即使使用强大的预训练视觉语言模型（VLM），最近的方法仍然无法准确理解复杂的3D场景，也无法动态推理指令指示的交互位置。 为此，我们提出了RoboRefer，这是一种3D感知的VLM，可以通过监督式微调（SFT）集成一个解耦但专用的深度编码器，首先实现精确的空间理解。 此外，RoboRefer通过强化微调（RFT）推进了广义多步空间推理，并

监督式微调（SFT）和强化学习（RL）是基础模型后训练中广泛使用的技术。然而，它们在增强模型泛化能力方面的作用尚不清楚。本文研究了SFT和RL在泛化与记忆方面的差异，重点关注基于文本的规则变体和视觉变体。我们引入了GeneralPoints，一种算术推理纸牌游戏，并采用V-IRL，一个真实世界的导航环境，来评估通过SFT和RL训练的模型如何在文本和视觉领域泛化到未见过的变体。我们发现，尤其是在基于

摘要：本研究提出VLA-RFT强化微调框架，通过数据驱动世界模型构建可控模拟器，解决VLA模型依赖模仿学习导致的鲁棒性不足问题。该框架利用世界模型预测未来观测并生成密集奖励信号，仅需400步微调即超越监督基线，效率优于传统强化学习方法。实验表明，VLA-RFT在LIBERO基准测试中成功率提升至91.3%，且在扰动条件下保持稳定性能。研究验证了基于世界模型的强化微调对提升VLA模型泛化能力的有效性

本文介绍了VisualQuality-R1，一种基于强化学习的无参考图像质量评估（NR-IQA）模型，旨在通过推理诱导机制提升模型的泛化能力和性能。该模型采用组相对策略优化和瑟斯顿模型，通过比较图像对之间的质量来生成质量分数，并使用连续保真度度量作为奖励函数。实验结果表明，VisualQuality-R1在多个数据集上均优于传统的基于深度学习的NR-IQA模型和基于视觉语言模型的监督微调方法。此外

Difix3D+是一种通过单步扩散模型来增强3D重建和新视角合成的新型管道。其核心是Difix模型，一个专门用于去除NeRF和3DGS渲染伪影的单步图像扩散模型。

【摘要】本研究针对3D室内场景生成任务，提出创新解决方案：1）构建包含12,328个结构化场景、57,440个房间及470万张渲染图的大规模数据集；2）开发SpatialGen多视图多模态扩散模型，通过布局引导的注意力机制实现跨视角、跨模态的语义一致性生成。实验证明，该模型在CLIP相似度等指标上优于现有方法，能基于3D布局和文本提示生成高质量的场景坐标图、语义分割图等多模态输出。研究将开源数据和