清华大学 AIR 联合多家机构提出一种 快速、免训练的感知图像压缩增强方法： 在不修改比特流和不重新训练生成模型的前提下，只在解码端增加一段 “加噪 + 去噪” 流程，即可显著提升任意现有编解码器的感知质量，同时将此前训练自由感知编解码器 动辄 1 分钟的解码时间，降到 0.1–10 秒量级。

论文提出 Video-STR：面向多模态大模型（MLLM）的 视频时空推理强化框架。在现有 RLVR（Reinforcement Learning with Verifiable Reward）范式基础上，引入 “多目标关系图 + GRPO 强化学习”，显式建模视频中多个物体的空间拓扑与时间变化，并配套构建 STV-205k 大规模时空问答数据集。

在视觉强化学习（visual RL）中，智能体需要从高维 RGB 图像中直接抽取状态表示并输出动作。传统方法往往只依赖自监督或世界模型等手段，缺乏对“哪些物体、哪些区域真正与当前任务相关”的显式先验

清华大学 AIR 联合多家机构提出 VRPSR（Versatile Recompression-Aware Perceptual Super-Resolution）： 一个让现有感知图像超分辨（Real-ESRGAN、S3Diff 等）“感知下游重压缩”的通用框架。

清华大学智能产业研究院（AIR）等提出 Flow Planner：一个基于 flow matching 的端到端自动驾驶规划框架，面向复杂场景中的 交互式驾驶行为建模。在 nuPlan 与 interPlan 等大规模闭环基准上，Flow Planner 在学习型规划器中取得新的 SOTA，并在“变道、路口抢行、绕行事故车、行人乱穿马路”等高交互场景中展现出更接近人类司机的行为策略。

清华大学 AIR 联合多家高校与企业提出 SparseWorld：一个由 稀疏动态查询（sparse & dynamic queries）驱动的 4D occupancy 世界模型。