论文研究潜在世界模型中的规划表征问题，指出预训练视觉特征常含与规划无关信息且轨迹弯曲，导致优化困难。作者提出 temporal straightening，在联合学习编码器与预测器时加入曲率正则，使潜在轨迹更“平直”，让欧氏距离更接近真实测地距离并改善规划目标条件数。实验表明该方法能显著提升梯度式规划稳定性与目标到达成功率。
论文提出用社区反馈训练 AI 的“科研品味”：先基于 70 万组高低被引论文对训练 Scientific Judge 学习判断研究想法潜力，再把该评审器作为奖励模型训练 Scientific Thinker 生成高潜力课题。结果显示其在多项评测中超过多种强基线模型，并在跨年份、跨领域与评审偏好迁移上保持优势，说明 AI 可学习并内化科研价值判断。
OpenSeeker 面向深度检索智能体的数据瓶颈，提出两项核心方法：可控事实驱动的多跳问答合成，以及基于回溯总结的轨迹去噪，从而以较小规模高质量数据训练出强搜索代理。作者开源了训练数据与模型权重，实验表明仅用约 1.17 万样本和单次 SFT 训练，就在多项检索基准上显著优于已有开源方案，并在中文任务上接近或超过部分闭源系统。
论文提出 Seoul World Model，将世界模型从“想象场景”推进到“真实城市”建模：通过检索增强把街景图像作为外部锚点，结合跨时间配对、合成轨迹数据与视角插值，缓解时序错位和稀疏采样问题。另引入 Virtual Lookahead Sink 在长时生成中持续重接地，实验证明其在首尔、釜山与安娜堡等城市上可生成更空间一致、时间连贯且长程稳定的真实城市场景视频。
作者指出传统 PreNorm 残差的等权累加会导致层深增加时表征被稀释，提出 Attention Residuals 让每层以注意力方式选择性聚合历史层输出，并进一步给出更高效的 Block AttnRes 以降低训练显存与通信开销。缩放实验和消融显示该机制在不同参数规模上稳定增益；在 Kimi Linear 大模型预训练中还改善了深层梯度与激活分布，并带来下游任务整体提升。
论文提出面向复杂长链任务的研究智能体 MiroThinker-1.7 与强化版本 H1。前者通过 agentic mid-training 提升规划、上下文推理与工具交互稳定性；后者把局部与全局验证嵌入推理过程，在中间步骤纠偏并审计整条证据链。实验显示其在网页研究、科学推理与金融分析等深度研究基准上取得领先表现，并开源主模型与 mini 版本。
InCoder-32B 是面向工业场景的 32B 代码基础模型，覆盖芯片设计、GPU 内核优化、嵌入式与编译优化、3D 建模等任务。作者采用从通用代码预训练到工业数据退火、上下文扩展中训和执行验证后训的完整流水线，在保持通用编程竞争力的同时，在多项工业基准上建立了强开源基线，强调“工业可用”的代码智能能力。
论文提出 Mixture-of-Depths Attention，通过在注意力中引入跨深度可见关系，让当前查询按需利用不同层的 K/V 表征，而非仅依赖单层上下文。该机制旨在增强信息流动与层间协同，提升模型对长程依赖和复杂语义结构的建模能力。结果表明该方法在效率与性能之间取得更优平衡，可作为解码器架构的通用增强模块。
论文面向视频事件预测（VEP）中“看得到过去、难预测未来”的问题，先系统评测主流多模态大模型在该任务上的短板，再提出 Chain of Events（CoE）框架，通过构造时序事件链强化模型对视觉证据与事件逻辑的联合建模。实验显示该方法在公开基准上显著优于现有开源与商业模型，刷新 VEP 任务性能。
MetaClaw 针对真实环境中智能体能力随任务分布漂移而老化的问题，提出“技能快速演化 + 机会式权重优化”的双通路持续学习框架：在线从失败轨迹提炼可复用技能，离线在用户空闲窗口进行 LoRA 强化更新，并通过版本机制避免奖励污染。结果在长期工作流基准上带来稳定增益，任务完成率与鲁棒性显著提升。
Mamba-3 从状态空间模型视角改进线性序列建模，提出更具表达力的离散化递推、复数态更新以及 MIMO 结构，在保持推理效率的同时提升状态跟踪与语言建模能力。实验表明其在检索、状态跟踪和下游任务上优于现有线性模型，并在性能-效率帕累托前沿取得更好平衡。
论文提出 V-JEPA 2.1，通过让可见与遮挡 token 同时参与的密集预测损失、跨层深度自监督、图像与视频统一 tokenizer 以及模型与数据规模扩展，显著提升视频自监督表示的时空一致性与语义结构。在 Ego4D、EPIC-KITCHENS、机器人抓取、导航和深度估计等任务上达到或刷新 SOTA，显示其在世界建模与密集视觉理解上的泛化能力。