视觉-语言-动作模型通常一次预测一整段未来动作，相邻动作块之间缺少显式的时间一致性约束，容易在衔接处出现动作突变。ODEAction 把动作生成改写为从当前动作出发的连续演化：学习一个动作转移场，用常微分方程积分逐步生成后续动作，不再联合预测固定长度的动作块。在 LIBERO 上平均成功率由 96.85% 升到 98.25%，在 EBench 上由 15.28% 升到 24.72%，即 61.8% 的相对提升；在 RoboTwin 五个任务上与 RTC、Legato 对比，平均成功率 84.4%，高于基线的 82.4%。
多视角三维视觉语言模型存在视角诱导的语义漂移：同一物体和同一提问，换一个相机视角，目标相关响应就会变弱、弥散或偏移。LieVLM 让几何令牌预测局部旋转参数和通道门控，在预训练视觉特征的三维子空间上施加保长的旋转修正，再把修正量门控后融回原表示。在 ScanRefer 上，LieVLM-8B 取得 64.5 的 Acc@0.25 和 57.2 的 Acc@0.5，在相同提案细化协议下比已发表的 VG LLM-8B 分别高 6.9 和 6.3 点。
上海交通大学等机构构建约4.7万小时多源数据池，把预训练视频模型的语言—视频先验延伸到语言—视频—动作学习，形成世界动作模型SWAM。在RoboTwin 2.0的50个操作任务上，SWAM在随机化Hard设置下成功率为61.56%，比最强基线OpenWAM高12.86个百分点；在干净Easy设置下为88.10%，略低于OpenWAM的89.30%。真实双臂平台上，三个任务平均Hard成功率40.00%，OpenWAM为23.33%。
常规数据库搜索只能为约20%至31%的谱图给出高置信肽段归属，其余谱图长期被搁置。π-SPECFormer在2.91亿张串联质谱上分两阶段预训练，先自监督学习碎片模式，再用肽段—谱图匹配分组细化表征。该模型在从头测序、谱图聚类和修饰检测三类任务上均优于对应基线，并在103例肺腺癌样本中给出9个高置信突变肽，其中6个不在所查公共数据库中。
计算药物发现智能体通常每次任务都从零组织工具调用，难以把一次成功经验带到下一次。DrugHarness把80余项科学操作与生物医学资源放进同一工作区，从执行轨迹中归纳带适用条件的行动假设，再由独立审查智能体核对来源、必要时做定向试算后才纳入技能库。在MolBench上，未启用进化的配置把亲和力比较准确率做到91.9%，比已报道的MolClaw-CC高10.8个百分点；回顾性评估中，冻结的学习技能把Qwen的优化成功率从79.5%提高到87.2%。
自动科研选题流程里，从文献中找出可被后续工作接手的局限这一步长期缺少直接监督信号。ActLim-Bench 把每篇源论文的局限与后来引用它、并把它当作动机去解决的工作连成证据链，共18,279条带证据三元组。以这一信号做三阶段后训练得到的ActLim-8B，在2024–2025年时间留出的NLP测试集上分级召回为0.452，最强零样本基线为0.262；仅用NLP训练时迁移到计算机视觉为0.314，对应零样本最强0.252。
少步数文生图要在极少采样次数里把提示中的细节画准，而分布匹配蒸馏（DMD）依赖学习到的分数差，统计量未必对齐。Intrinsic Distribution Matching 在保留完整 DMD 修正的同时，用生成器指数滑动平均副本的特征均值与逐坐标标准差加了一项矩约束，不需要外部特征编码器。在 Z-Image-Turbo 6B 上两次网络评估时，中文与英文 LongText-Bench 分别达到 94.25% 和 90.20%，为所比较方法中该预算下的最高分。
多模态长文档问答里，智能体式检索并非每次都划算，额外计算还可能让答案变差。RouteDRAG把是否调用智能体、以及调用后如何执行都变成可学习的选择：它用图索引组织跨页、表格与图像内容，预测智能体相对短路径的收益，并控制工具调用与终止。在两个基准上，它只把79.3%的查询交给智能体，平均准确率比只用短路径高3.47个百分点，同时超过统一走智能体的执行方式且回答调用更少。
同一处视觉残差编辑在解码器逐层施加、强度对齐后，效果在某一层之后持续下降，这个下降点被称为证据锚定边界；据此按题型校准的选择性路由在三个检查点上把全属性集准确率提高，而全量相减则中性或有害。
基于模型的强化学习改用分块世界模型做可微的训练期评估器，一次前向生成H步假设轨迹并直接优化价值展开，在HumanoidBench的19个高维人形任务上评估，并部署到真实四足与双足行走。