FlexPension-LLM模型预测中国灵活就业者养老金参与，F1值达0.9316。

Yumiao Li, Peixin Liu, Donglin Di 等

TeQHallu利用低级符号能力进行无监督幻觉检测，在RAGTruth数据集上表现优异。

Renato Vukovic, Hsien-chin Lin, Carel van Niekerk 等

提出“编译训练”方法，将自然语言描述转化为可重用的神经函数，准确率达83.6%。

Yuntian Deng, Pengyu Nie, Stuart Shieber

ESPO通过结构化误差诊断、多策略候选生成和自助稳定选择，提升提示优化准确率3.76%，缩短47%。

Lihao Liu, Peng Tang, Kunwar Yashraj Singh 等

本研究提出以优势值衡量推理步骤的重要性，发现LLMs难以从文本中完全解码步骤重要性。

Kevin Du, Alexander Hoyle, Laura Ruis 等

本研究提出辅助视角（如重述、类比）能提升大模型的知识获取效率，实验证明在规模扩大下效果更显著。

Joseph Lee, Yidi Huang, Dokyoon Kim 等

提出Last翻译基准，结合人类审查和验证规则，提升模型失败检测能力。

Vilém Zouhar, Niyati Bafna, Mukund Choudhary 等

通过构建合成与真实数据，验证用户反馈对LLMs提升效果显著，揭示评估偏差。

Shachar Don-Yehiya, Leshem Choshen, Omri Abend

本文揭示输出格式影响数据质量与模型能力，Spectral统计不敏感，方向性指标有效识别目标任务。

Chengguang Gan, Hanjun Wei, Yunhao Liang 等

本研究揭示LLM评估器在摘要评价中的内部机制，发现其在层15后通过注意力和MLP实现错误检测与评分决策。

Himil Vasava, Ming Jiang

CordisBench评估语言模型在动态组件生命周期推理中的表现，涉及1200题，揭示模型在复杂依赖下的局限。

Damien Sileo, Dimitri Kachler

提出StudentSim框架，通过池化训练和个性化微调，提升学生模拟器的行为一致性和指导响应性。

Ke Yang, Chenglong Wang, Michel Galley 等

基于35B参数的困难感知数据筛选与质量调整部署，显著降低文档理解成本达80%。

Maksim Evdokimov, Matvey Ivanov, Dmitrii Tsiupin 等

中期训练中的知识蒸馏提升推理能力但减缓事实回忆，提出Switch Distillation方法。

Jacqueline He, Howard Yen, Shuyue Stella Li 等

PersuaRL通过强化学习驱动的多专家选择框架，在保险对话生成中实现了显著的说服力提升。

Rohan Kirti, Akash Ghosh, Aryan Vats 等

提出Phrase-Localized LCG，无需训练即可实现代码切换TTS的本地化口音控制。

Che Hyun Lee, Sangkwon Park, Donghun Kang 等

提出披露门控机制，基于五级门控层次提升用户模拟的真实性，确保排名稳定。

Yao Liu, Yu He

提出上下文感知交错批处理方法，结合VAD边界稳定WhisperX，显著降低WER并提升专有名词识别。

Carlos Bain, Max Bain

AutoSciRub通过自动诱导任务特定的可执行评分标准，提升科研代理的评估与改进能力。

Xuehai Wang, Haowei Qin, Tongxin Liu 等

知识对齐的监督微调减少幻觉，提升事实性。

Arthur Becker, Jakob Kemmler, David Thulke 等