标签
本文提出VaseMuseum，一个轻量级多模态智能体框架，将3D数字化与视觉语言模型相结合，为古希腊陶器创建交互式数字博物馆，通过源级和响应级可靠性控制解决证据基础与幻觉问题。
本文介绍了 CanvasCraft，一个用于复杂图像创建与编辑的大规模多模态工具使用数据集，以及 CanvasAgent，一个通过多轮交互和混合奖励优化来学习编排异构视觉工具的工具增强型多模态智能体。
Light-Omni是一个多模态智能体框架，用于高效视频理解，通过双上下文状态（全局状态和参数化潜在状态）避免迭代推理，实现更快更准确的处理，并显著提升速度和节省内存。
Visual-Seeker 提出了一种视觉原生多模态深度搜索代理，它主动推理细粒度视觉细节并综合多模态证据，在五个具有挑战性的多模态搜索基准上实现了最先进的性能。
VisualClaw是一种自我进化的多模态智能体，通过混合编码和技能进化降低部署成本，同时在多个基准测试中提高了视频问答的准确性。
字节Seed开源了TaskMem checkpoint，基于Qwen3-VL-30B-A3B训练，通过两阶段强化学习让多模态Agent在视频流中学会生成长期记忆，在VideoMME、EgoLife等基准上获得显著提升。