在约 1 厘米天底地面采样距离的五方向无人机倾斜摄影数据上，MV-PVMapper 把冻结的视觉基础模型 SAM 3 与摄影测量几何结合起来，无需任务专用标注或权重更新即可输出带地理坐标的单块组件多边形。三个在运屋顶光伏电站共 7711 块参考组件，两轮反馈后匹配 7710 块，IoU 0.5 下无误检；宏平均 AJI 为 97.55%，正交影像分割基线为 60.73%，多视图像素投票基线为 41.24%。
多视角3D视觉语言模型把场景拆成32个视角后会产生六千多个视觉token，推理开销很大。GeoGR分两级压缩：投影端把跨视角观测合并成体素token，并按语义显著性与空间覆盖挑选，未选中的体素特征并入上下文锚点；LLM端只在中间层窗口内计算视觉token，低相关token可跳过整层但保留隐状态，到锚点层重新评分并可回归。在LLaVA-OneVision-7B与Video-3D LLM-7B上，它分别保留稠密模型95.2%和96.8%的性能，LLM预填充与首token时延明显加快。
EVOKE 是一种后训练方法，它在固定环境状态与交互历史的前提下为同一批候选动作引入替代目标并做对比排序，从而迫使策略调用预训练中已有的动作后果知识；在 ALFWorld、WebShop 与搜索式问答三类任务、三个骨干模型上，它取得最佳平均成绩，ALFWorld 未见游戏成功率由 πboot 的 60.4% 提升到 91.8%，且用更少动作完成。
该工作提出 APM-Bench，把第一视角流式交互重构为多会话生活轨迹（549 段会话、104 条轨迹、2,719 个候选问题，平均每条轨迹 69 分钟视频），在跨会话理解、实时感知与自适应响应三类能力上评测通用视频模型与八种专用记忆系统，并设置证据可用性感知测试，结果显示存在明显的效用—延迟—存储权衡：原始视频记忆跨会话表现最强但需 GiB 级存储与高延迟，文本摘要把存储降到 KiB 级却损失跨会话性能，事件结构化记忆在专用系统中效用最好，而自适应响应即使给出丰富历史仍然困难。
已读完全部报道