自回归模型的新突破：首次生成2048×2048分辨率图像
研究人员提出TokenShuffle方法显著减少多模态大语言模型中的视觉token数量，提高效率并促进高质量图像生成，超越同类自回归和强扩散模型。
新加坡国立大学
迈向长上下文视频生成！FAR重塑下一帧预测范式，短视频与长视频双双登顶SOTA
本文首次系统性地研究并提出了高效建模长上下文视频生成的方法，通过重构视频生成任务为逐帧预测，并引入长短时上下文的非对称patchify策略和多层KV Cache机制，实现了高效的长视频训练与长上下文视频生成。
质量无损，算力砍半！达摩院开源视觉生成新架构，出道即SOTA｜ICLR 2025
达摩院在ICLR 2025提出了动态架构DyDiT，通过智能资源分配将DiT模型的推理算力削减51%，生成速度提升1.73倍，FID指标几乎无损，并且仅需3%的微调成本。
ICLR 2025杰出论文揭晓：中科大LLM编辑、DeepMind安全对齐、LLM微调学习动态
ICLR 2025杰岀论文奖揭晓！3篇杰出论文涵盖安全对齐、语言模型学习动态和编辑等方面的研究成果，强调了当前大型语言模型存在的问题及潜在解决方案。
迈向长上下文视频生成！NUS团队新作FAR同时实现短视频和长视频预测SOTA，代码已开源
本文由 NUS ShowLab 指导完成，首次系统性研究长上下文视频生成。提出帧自回归模型FAR，有效解决长视频训练计算挑战，显著提升长时序一致性。
一文看懂多模态思维链
多模态思维链（MCoT）系统综述发布，介绍了其基本概念、分类法和应用场景，并探讨了当前挑战及未来研究方向。通过推理构建视角、结构化推理视角等六大技术支柱提升模型能力，改变机器人的操作、自动驾驶的安全性、医疗诊断的速度与准确性以及教育的个性化教学等方面。论文链接：https://arxiv.org/pdf/2503.12605