Papers - 2026-06-23
吾能观之数千而面色如故
Grounding-driven Visual Reasoning#
PerceptionDLM: Parallel Region Perception with Multimodal Diffusion Language Models
这篇工作提出 PerceptionDLM，用多模态扩散语言模型来做高效的并行区域感知。方法上，它基于 PerceptionDLM-Base，引入高效提示和结构化注意力掩码，使模型能够在序列级和 token 级同时描述多个被遮挡区域。作者还构建了 ParaDLC-Bench，把单图多区域标注扩展为可同时评测多个区域的基准。实验显示，模型在区域描述质量上保持有竞争力，同时在多区域感知场景中获得显著推理加速。
Thinking with Images#
Multi-Turn Reflective Masking Elicits Reasoning in Mask Diffusion Models
这篇工作提出 Reflective Masking，通过轻量后训练让 Mask Diffusion Models 具备多轮反思式修正能力。方法上，它利用掩码扩散天然支持的局部编辑特性，在测试时反复回看并修订前一轮输出，并加入 History Reference 来复用中间去噪状态中的信息。作者强调该方法不需要改模型结构，可以直接适配现有的 MDM。实验覆盖文本生成、数独和图像编辑等多种任务，结果显示该方法普遍优于标准掩码基线，并能稳定提升多轮修正效果。
Multimodal Agent#
MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision
这篇工作提出 MemSlides，用层次化记忆框架支持个性化演示文稿生成和多轮局部修改。方法上，它把长期记忆拆成用户画像记忆和工具记忆，再配合工作记忆来保留会话中的活跃偏好与约束。系统还采用 slide-local revision，让修改尽量作用于最小受影响区域，而不是反复重生成整套幻灯片。实验表明，用户画像记忆能提升多 persona、多意图场景下的匹配度，工具记忆能改善闭环修改行为，定性案例也展示了工作记忆对偏好延续的作用。
3D LLM#
WorldLines: Benchmarking and Modeling Long-Horizon Stateful Embodied Agents
To assist humans over extended periods in real homes, embodied agents must remember user routines, world states, and past interactions. Existing long-term memory benchmarks mainly evaluate language-centric retrieval and question answering, while embodied benchmarks often focus on short-horizon task execution without testing long-term memory use in dynamic environments. We introduce WorldLines, a project-driven benchmark for long-horizon embodied household assistance. It constructs temporally extended household traces with dialogues, actions, execution feedback, object and device state changes, and converts them into evidence-linked samples for Memory QA and Embodied Task Planning. We further propose ObsMem, an observer-grounded memory framework that maintains visibility-aware memories and action-native state trails for state-aware decisions. Experiments reveal persistent challenges in partial observability, overwritten world states, and translating long-term memory into embodied plans, while ObsMem offers a stronger reference architecture for this setting.
Embodied Agent#
GeneralVLA-2: Geometry-Aware Reconstruction and Governed Memory for Robot Planning
这篇工作面向通用视觉-语言-动作系统的机器人规划，目标是同时提升三维几何证据和可复用的长期记忆。作者提出 GeoFuse-MV3D，用几何先验引导的多视图重建分支来验证外部几何线索，并结合软视觉壳约束、轴向细化和几何/外观分离融合，减少单目重建的幻觉问题。与此同时，他们把 KnowledgeBank 升级为带有质量、置信度、生命周期、验证器和冲突元数据的受治理长期记忆系统，以支持更精确的检索与决策。实验在 GSO-30、Terminal-Bench 2.0 和 SWE-Bench Verified 上验证了方法有效性：重建分支在 CD、LPIPS、PSNR、SSIM 上相对基线都有稳定改进，记忆模块也在任务成功率和修复率上优于 ReasoningBank。
4D Understanding and Generation#
SpatialAvatar-0: High-Quality 4D Head Avatar with Multi-Stage Reconstruction
这篇论文提出 SpatialAvatar-0，用于从一张或少量人像生成高质量的 4D 头部头像。方法以 FLAME 网格绑定的 Gaussian 表示为核心，设计了参数自由的 K 源 mean-pool，以及从单目时序到多视图空间的两阶段训练策略，避免身份先验塌缩；随后又加入 1 万步的布局保持式个体精修流程，冻结绑定与高斯数量，并用三项抗尖峰正则替代传统 densification。作者在 VFHQ/HDTF 跨域零样本测试中，即使未在目标域训练，也比 in-domain 的 GAGAvatar 高出 1.5 dB PSNR。 在 SplattingAvatar 单目基准上，该方法在所有报告指标上都取得最好结果，相比 30 万步的 GeoAvatar 最高快约 60 倍，同时 PSNR 还提升了 1.3 dB。