SemComp-Bench giới thiệu phương pháp đánh giá video dựa trên kết quả thực tế thay vì chỉ tập trung vào hình ảnh, đảm bảo AI hiểu đúng ngữ nghĩa và hoàn thành mục tiêu tác vụ thay vì chỉ sao chép ngoại hình.
V-RAE là kiến trúc autoencoder mới giúp cải thiện khả năng tạo video bằng cách tận dụng các mô hình nền tảng thị giác có sẵn, thay vì chỉ tập trung vào tái tạo điểm ảnh đơn thuần.
EG-FM cải tiến mô hình Flow Matching bằng cách sử dụng quỹ đạo tạo ảnh từ thô đến tinh thông qua bộ lọc nhiệt, giúp tái tạo chi tiết ảnh sắc nét mà không cần thay đổi kiến trúc hay dữ liệu huấn luyện.
WorldRover là một pipeline dựa trên Unreal Engine giúp tạo ra các video khám phá dài với chú thích phong phú về hình học, quỹ đạo và góc nhìn, giải quyết hạn chế của dữ liệu thực tế trong việc huấn luyện các mô hình thế giới tương tác.
ConceptFormer là khung học tập mới giúp truy xuất tài liệu hình ảnh bằng cách mô hình hóa các khái niệm ẩn, kết nối trực tiếp bằng chứng thị giác với độ liên quan ngữ nghĩa mà không cần mô tả văn bản trung gian.
Nhóm nghiên cứu từ USTC và Huawei giới thiệu RiO-DETR, mô hình DETR đầu tiên tối ưu hóa cho phát hiện vật thể xoay với tốc độ thực, đạt 78.4 AP50 chỉ trong 2.7ms, giải quyết triệt để bài toán độ trễ và độ chính xác trong các tác vụ viễn thám.