今天发布的论文主要集中在多模态学习、大语言模型在具身智能和图像理解方面的应用，以及如何提高模型效率和可靠性。特别关注的是利用各种模态的数据来增强模型的理解和推理能力，同时探索如何在资源有限的环境中部署这些模型。

Honey-Data-15M数据集通过清洗与双层CoT策略增强1500万QA对，推动开源MLLM性能达SOTA；SALAD方法解决语音LLM理解差距，通过知识蒸馏缓解模态错位。Agent领域，RECODE框架通过程序生成重构视觉信息，InternVLA-M1则统一空间定位与机器人控制。训练策略方面，信息论视角验证跨模态知识蒸馏有效性，SteerMoE实现轻量级音频-语言对齐。行业应用中，多模态模型

在数据集方面，Math-VR（17.8万数学问题）、InfiniHumanData（11.1万3D人体模型）等大规模数据集相继发布；智能体研究聚焦强化学习与多模态融合，如ManiAgent实现端到端机器人操作，ReLook创新性地使用LLM进行视觉反馈；行业应用涵盖教育翻译、医疗影像分析等领域；多个新基准测试相继推出，如IVEBench（600视频）、ODI-Bench（2000全向图像）等评估标

智能体方向：提出GUI代理连续记忆机制提升泛化能力；综述放射学LLM智能体应用；对话代理多模态策略内化方法TriMPI显著提升性能。大模型应用：MLLM结合消费级相机实现肩部疾病诊断；放射学VLM幻觉过滤方法DSE提升准确性。基准测试：推出多个多模态推理与检索基准，如BLINK-Twice（视觉推理）、CFVBench（视频MRAG）、MRMR（跨领域检索）及PhysToolBench（工具理解）

今天发布的论文主要集中在多模态学习、大语言模型在具身智能和图像理解方面的应用，以及如何提高模型效率和可靠性。特别关注的是利用各种模态的数据来增强模型的理解和推理能力，同时探索如何在资源有限的环境中部署这些模型。

Agent方面，MATRIX框架通过多模态轨迹合成提升工具使用推理能力；CompassLLM利用多Agent解决地理空间路径查询；MoA-VR通过混合Agent实现视频修复。训练数据方面，FastUMI-100K和USIM数据集分别推动机器人操作和水下机器人研究。评估基准成为重点，VideoNorms测试文化意识，SciVideoBench评估科学视频推理，FinMR聚焦金融多模态推理，GTR-B

PhysiAgent提出具身智能体框架，通过监控与自我反思机制提升机器人任务性能；FuncPoison揭示自动驾驶系统的安全漏洞；DynaMIC增强机器人抗干扰能力；MedMMV优化临床推理可靠性。训练数据方面，NeMo构建视频理解新基准，Q-Mirror实现文本到多模态QA转化。训练策略中，GRPO-MA提高思维链训练效率，SCPO缓解视觉幻觉，几何辅助任务增强空间推理。行业应用涵盖机器人交接（

在Agent方面，WebGen-Agent和Labeling Copilot分别提出网站生成和数据标注的创新框架。训练数据相关研究包括DeeptraceReward视频伪造检测数据集、MesaTask桌面场景生成数据集等。训练策略方面，SPARK和GCPO分别优化强化学习与图像生成。行业应用领域涉及TrueGradeAI考试评估系统、HyCoVAD视频异常检测等实用解决方案。

Nova框架实现单GPU实时服务Agentic视觉语言模型，VC-Agent则加速定制视频数据集收集。Meta-Memory通过LLM增强机器人空间推理能力。模型预训练方面，SciReasoner培养科学推理能力，Sigma优化手语理解。数据方面，TABLET提供大规模视觉表格数据集，ArchGPT构建建筑领域专业数据集。行业应用中，语义通信框架减少交通监控数据传输，Decipher-MR提升3D

Nova框架实现单GPU实时服务Agentic视觉语言模型，VC-Agent则加速定制视频数据集收集。Meta-Memory通过LLM增强机器人空间推理能力。模型预训练方面，SciReasoner培养科学推理能力，Sigma优化手语理解。数据方面，TABLET提供大规模视觉表格数据集，ArchGPT构建建筑领域专业数据集。行业应用中，语义通信框架减少交通监控数据传输，Decipher-MR提升3D