提出Gato，基于Transformer的多模态多任务通用智能体，能在多环境中实现文本、动作等多输出。
Scott Reed, Konrad Zolna, Emilio Parisotto 等
ESCM$^2$模型通过反事实风险最小化解决CVR估计偏差，显著提高推荐系统性能。
Hao Wang, Tai-Wei Chang, Tianqiao Liu 等
提出对抗运动先验（AMP）替代复杂奖励，利用少量运动捕捉数据实现自然行为迁移。
Alejandro Escontrela, Xue Bin Peng, Wenhao Yu 等
提出因果充分与反事实解释，结合结构模型提升XAI的行动导向性。
Sander Beckers
提出目标条件强化学习（GCRL）中的关键挑战与算法，强调目标表示与样本效率提升。
Minghuan Liu, Menghui Zhu, Weinan Zhang
提出Co-12属性体系，系统评估300+论文中的可解释性方法，强调量化指标的重要性。
Meike Nauta, Jan Trienes, Shreyasi Pathak 等
提出适应偏差的固定置信Linear Top-m识别算法，样本复杂度匹配下界。
Clémence Réda, Andrea Tirinzoni, Rémy Degenne
提出高效的Sharpness-aware Minimizer（ESAM），通过随机扰动和敏感数据选择，降低计算成本，保持或提升模型泛化能力。
Jiawei Du, Hanshu Yan, Jiashi Feng 等
ASDiv数据集通过多样化的词汇使用和问题类型，提升数学文字题求解器的评估准确性。
Shen-Yun Miao, Chao-Chun Liang, Keh-Yih Su
本文系统回顾预训练模型（PTMs）发展史，重点分析BERT、GPT等架构，强调其在AI中的核心作用。
Xu Han, Zhengyan Zhang, Ning Ding 等
提出Traffic Transformer模型，利用多头注意力动态提取交通时空特征，显著提升长时段预测精度。
Haoyang Yan, Xiaolei Ma
基于模式主义哲学，提出AGI高层架构，强调认知协同与知识表示。
Ben Goertzel
本文系统介绍多目标强化学习与规划方法，强调在复杂决策中考虑多目标权衡，提出系统性解决方案。
Conor F. Hayes, Roxana Rădulescu, Eugenio Bargiacchi 等
利用GPT-3实现邮件理解与自动回复，技术与经济可行，提升效率。
Jonas Thiergart, Stefan Huber, Thomas Übellacker
本文提出12种基于因果充分性与必要性的新定义，结合Pearl与Halpern-Pearl模型，提升实际因果判定的理论基础。
Sander Beckers
本研究评估LIME、SHAP和TreeInterpreter在金融欺诈检测中的实际应用效果，发现解释反而降低准确率。
Sérgio Jesus, Catarina Belém, Vladimir Balayan 等
提出基于等式饱和的张量图超优化方法TENSAT，实现16%性能提升，优化时间缩短48倍。
Yichen Yang, Phitchaya Mangpo Phothilimtha, Yisu Remy Wang 等
提出MARL，结合弱监督检索与元学习，提升知识库复杂问答性能，达成SOTA（微F177.71%）
Yuncheng Hua, Yuan-Fang Li, Gholamreza Haffari 等
EECBS结合显式估计搜索与学习，提升多智能体路径规划效率，解决Bound-Suboptimal问题。
Jiaoyang Li, Wheeler Ruml, Sven Koenig
提出Meta神经木马检测（MNTD）框架，利用“巨型学习”生成多样木马模型，黑盒检测准确率达97%。
Xiaojun Xu, Qi Wang, Huichen Li 等