VIBE가 Qwen2-VL 2B와 Sana1.5 1.6B를 분업시켜 2K image를 편집하는 구조를 설명하고, H100 4초, 24GB, mask 밖 보존 조건을 검증합니다.

STEP3-VL-10B의 fully unfrozen pretraining, 1k+ RL, PaCoRe를 설명하고, parameter 수와 실제 test-time compute, memory, benchmark 재현성을 구분합니다.

SocioReasoner가 위성 image, 지도 text, 주변 맥락으로 도시 기능을 계층 segmentation하는 구조를 설명하고, 지도 시차, 도시 편향, 정책 오용을 검증합니다.

Motive가 motion-weighted gradient influence로 video training data를 선별하는 원리와 camera motion shortcut, 선별 편향, 정적 품질 손실, 계산 비용을 검증합니다.

MHLA가 linear attention의 global context collapse를 token-level head와 cross-head interaction으로 완화하는 원리를 설명하고, 길이, head 수, kernel별 성능을 검증합니다.

VideoDR이 video anchor와 open-web multi-hop 검색을 결합하는 benchmark를 설명하고, agentic goal drift, 출처 연결, 검색 비용, 재현성 문제를 검증합니다.

Thinking with Map이 사진 단서를 지도 후보와 반복 대조하는 agent loop를 설명하고, Acc@500m 22.1%의 의미, 검색 비용, 지도 시차, 위치 privacy를 검증합니다.

EGA가 VLM 생성 중 고엔트로피 token에 image perturbation을 집중하는 위협 모델을 설명하고, 공격 성공 정의, 전이성, 탐지 우회, 방어 평가를 정리합니다.

VideoAuto-R1이 initial answer의 confidence에 따라 선택적으로 reasoning하는 TOAT 구조를 설명하고, 44-token 보고값, 과신 오류, calibration, 지연을 검증합니다.

RoboVIP이 reference image로 객체, 배경 identity를 유지하며 multi-view robot video를 생성하는 방식과 view 불일치, 물리 오류, policy label 오염을 검증합니다.