语言引导分割通常把指代位置压缩进单个[SEG]隐状态向量交给解码器，而该向量没有空间索引，解码器又看不到原句。AttnSeg改为把[SEG]词元对图像块的注意力图作为解码器的稠密提示，并用注意力引导目标直接监督这张图，分两阶段训练。在Sa2VA上，4B模型ReasonSeg的gIoU由57.70升至64.11、GS-Eval由61.91升至72.11，增益集中在物体部件、多目标和单目标，stuff区域几乎不变。
EDiS 把图结构提取与每轮训练图组合分离：先用基于特征的分数和逐次最大分数覆盖森林把图一次性分解为可缓存的边不相交子图，再在每个 epoch 按边预算约束重新组合出训练图，无需重新提取结构；在 19 个同质、异质和大规模节点分类基准、相同边预算下与 17 个基线比较，EDiS-Lite 取得最高平均基准分与最低平均排名和差距。
作者提出 OmniSeek 智能体框架，把证据获取纳入推理过程：模型在多轮协议中动态决定看或听以及时间窗口，将检索到的原始音频或视觉片段追加回上下文，并用合成的 OmniTraj-170K 多跳思维链轨迹做冷启动监督，再经两阶段可验证奖励强化学习优化，同时引入音视频必要性目标奖励真正依赖双模态的成功轨迹，实验显示其学到自适应跨模态证据搜寻并稳定提升音视频推理表现。
该工作提出 SHarP，把智能体 harness 中的工具、指令与支撑机制视为可单独禁用的模块，用单模块消融估计每个模块对任务性能与 token 成本的显著性，再按效率导向或性能导向规则剪枝；在 OpenHands/GAIA、PaperQA2/LitQA2、LIFE-harness 的 airline 与 retail、JIT agentfold/DeepPlanning-Shopping 五个设置上，剪枝后多数配置保持相近性能，四个 harness 均实现至少 10% 的 token 成本下降，其中两个在降本同时提升任务表现。
Prompt2Skill 提出一个多智能体框架，仅从自然语言任务描述出发，由 Data Agent 推导任务规范并通过检索、改写与合成构建代理数据池，再由 Skill Agent 用执行反馈、反思式编辑和配对统计筛选迭代优化技能，在问答、阅读理解、表格操作与数学推理四个基准、五个开源与商用目标模型上平均相对优于直接提示 36.1%、优于现成技能 83.0%，且未出现显著退化。
这篇综述指出视频与音频虽被共同感知、但多数生成模型仍各自独立处理，于是把联合生成、跨模态生成（由一方生成另一方）与联合编辑三类问题统一定义为同一个音视频对分布上的问题，围绕“输出如何在时间与语义上保持跨模态一致”这一核心问题，提出沿生成策略、音频表示、视频表示、对齐施加方式、预训练复用五个设计轴的分类体系，并首次系统梳理联合音视频编辑，将其映射为九类编辑、28种编辑类型，同时整理各设定下的方法、数据集与指标，最后给出长时程一致性、细粒度控制、物理合理性与评测等开放问题。
该工作把大模型路由重新表述为面向覆盖率的子集选择问题，用行列式点过程同时刻画模型能力与模型间冗余，并通过失败集边缘化的训练目标直接优化“至少一个被选模型答对”的概率，在RouterEval的中池（3811个候选模型）与大池（5000个候选模型）设置上取得更高的平均Success@10（0.8632与0.9914）和更高的子集多样性，同时用自适应贪心停止规则按查询难度决定子集大小。
研究者提出 OmniSeek，把全模态大模型改造成可多轮调用工具（get_audio_clip、get_video_clip）的主动取证智能体，并用自建数据引擎合成 169,725 条交错音视频证据的思维链轨迹 OmniTraj-170K，配合三阶段训练与 Audio-Visual Necessity 奖励，在 10 个全模态基准和 4 个通用视频基准上取得领先或具竞争力的成绩。
该工作提出 DISCO，把长上下文处理拆分为由轻量 Worker LLM 并行执行的局部证据检索（grounding）与由中心 Driver LLM 负责的全局推理（reasoning），Driver 用 GRPO 强化学习优化动态 DAG 规划；在 RULER-QA 1M token 上以 Qwen3-8B 保持 78.4% 准确率（RAG 基线跌至 10.9%），在 LongBench v2 上比全上下文基线最高提升 9.8 分，并在与 Gemini-3-Pro-Preview 相当的表现下把推理成本降低逾 80%。
已读完全部报道