标签
Reviso 是一个智能体视频字幕生成框架，采用分层的 Context-Focus-Points（上下文-焦点-目标）规划与主动感知机制来优先关注关键视觉证据，并通过 GRPO 及专用奖励进行训练，在四个视频字幕生成基准上超越了开源基线模型。
SketchDirector 是一个用于复杂场景草图生成的智能体框架，通过大语言模型将文本提示分解为矢量资产，基于自演化记忆进行迭代布局推理，并利用扩散先验优化细节，同时发布了 MCSketch8K 数据集以支持后续研究。
该论文提出了一种用于多模态情感推理的智能体框架，通过模态感知智能体、证据引用、验证阶段和目标化提示补丁实现无需更新权重的提示空间适配，在MER2025数据集上优于冻结静态流水线。
Scene-Designer 提出了一个通过设计与批评双重经验学习设计智能的智能体框架，用于生成完整、连贯且可用的 3D 室内场景，并提出了 Critic 引导的 Scene-GRPO 方法，在物理有效性、功能正确性和布局连贯性方面取得了更优的性能。
CoWorld Reasoner 是一个利用视频世界模型作为灵活视觉推理引擎的智能体框架，通过引导视觉想象和工具协同进化，使视觉-语言模型在七个时空推理基准上取得显著提升（如 MMSI 相对提升 11.8%、ERQA 提升 13.0%）。
该论文提出了 RISEBench 及其扩展版本 RISEBench++，这是首个评估推理驱动视觉编辑（Reasoning-Informed Visual Editing）的基准，涵盖时序、因果、空间、逻辑、反事实及混合推理等六个维度，并提出训练无关的 RISE-Agent 框架，结果显示即使是 GPT-Image-2.5 Sunburst 也仅达 56.6% 准确率。
本文提出了 Recursive Game Creator，这是一个面向体验的智能体框架，包含 Designer（设计师）、Builder（构建者）、Player（玩家）和 Reviewer（评审者）四种角色，能够递归地将游戏原型打磨成完整的游戏。该框架通过其面向编程的 Player 进行玩法评估，在 GameCraft-Bench 和 GameASG-Bench 上均取得了最先进的结果。
该论文提出 VepAgent，一个将因果转移推理与工具增强强化学习结合的智能体框架，用于视频事件预测，并构建了 futurebench-4K 思维链数据集，在 FutureBench 和 NEPBench 上达到 SOTA 性能。
Code2Games 是一个智能体框架，它协调多个编码智能体，根据自然语言的游戏意图构建一致的游戏世界，并通过执行引导的重建将其适配至 Unreal Engine 5，同时提出了用于评估游戏世界生成质量的 GameCode4D 基准测试。
VTR-Bench 提出了一个用于评估视频生成模型视觉文本渲染能力的系统性基准，涵盖五大场景类别共 300 条提示词、一套与人工评价对齐的自动化评估流水线，以及一个关键帧引导的智能体框架（Keyframe-Guided Agentic Framework）。在 11 个最先进模型上的实验表明，场景文本渲染普遍面临困难，表现最好的模型词错误率（WER）为 0.250。
OmniSeek 是一个智能体框架，它将全模态大语言模型（Omni-LLM）转变为具备原生工具调用能力的主动多轮推理智能体，能够在长上下文中动态检索音频/视觉证据。该框架使用合成的 OmniTraj-170K 轨迹语料库、监督式冷启动以及两阶段可验证奖励强化学习，并引入视听必要性（Audio-Visual Necessity）目标函数，以提升跨模态推理能力。
StoryEngine 提出了一个基于状态的智能体框架用于视频叙事，它维护结构化的状态表示以确保叙事连贯性和视觉一致性。在全面评估中，它展示了优于最先进方法的性能。
ASIRF是一个智能体框架，它在推理时检索特定领域的敏感信息脱敏定义，与训练好的分类器相比，在多个领域以极少的专家输入达到更高的召回率。
SpecOpt 引入了一种分子设计任务，通过利用具有残基感知接触的代理框架对现有化合物进行靶向修饰来提高药物结合特异性，在基准测试中显示 84.8% 的化合物有所改进。
本文提出了FairCompressAgent，一个智能体框架，它使用语言模型规划器来优化用于FPGA部署的公平感知模型压缩，平衡准确性、公平性和效率。
本文提出CLEAR，一种用于跨源证据裁决的代理框架，旨在通过处理来自多个知识源的冲突来提升医学领域大语言模型的性能。该框架在多个基准测试中表现出竞争力，在直接推理或检索能力较弱的场景中取得了显著提升。
本文介绍了REALM，一个用于LLM代理长期记忆的框架，它利用检索驱动的再巩固来自主地将记忆组织成认知图，从而在长期记忆基准测试中取得更好的性能。
CUDA-Harness是一个利用智能体技术从自然语言描述生成和优化CUDA内核的框架，通过连接高级语义与低级实现和验证来解决Text2CUDA中的挑战。
FoldingAgent是一个智能框架，它使用视觉语言模型和专用工具，通过顺序推理和物理验证，从演示视频中推断参数化折纸折叠程序。
本文介绍了图像包组合（IBC），将图像检索从原子级匹配转向连贯图像包的动态组合，以解决传统方法的局限性。它提出了基准数据集 IBCBench 和智能体框架 BundleWeaver，该框架利用大型语言模型（LLMs）和视觉语言模型（VLMs）进行关系组合。