RedBench整合37数据集，采用22风险类别和19领域，系统评估LLM漏洞。
Quy-Anh Dang, Chris Ngo, Truong-Son Hy
MedDialogRubrics通过多代理系统评估LLM的多轮诊断能力，包含5200例患者案例。
Lecheng Gong, Weimin Fang, Ting Yang 等
提出了延迟承诺解码（DCD），提高扩散语言模型生成准确率1.73%。
Yingte Shu, Yuchuan Tian, Chao Xu 等
提出隐状态中毒攻击（HiSPA），利用短输入触发器在Mamba模型中实现信息篡改，显著削弱模型的长文本检索能力。
Alexandre Le Mercier, Chris Develder, Thomas Demeester
提出mHC，通过投影到双随机矩阵流形，恢复残差连接的恒等映射，提升大规模训练稳定性。
Zhenda Xie, Yixuan Wei, Huanqi Cao 等
提出Encyclo-K，通过动态组合知识陈述进行大模型评估，解决数据污染和多知识点理解难题。
Yiming Liang, Yizhi Li, Yantao Du 等
AutoForge通过自动合成高难度任务环境和ERPO算法提升代理学习效率。
Shihao Cai, Runnan Fang, Jialong Wu 等
提出CAT，通过结构化上下文管理提升长时序软件工程代理的推理能力，达57.6%解决率。
Shukai Liu, Jian Yang, Bo Jiang 等
提出多种分词惩罚函数，量化词拆分对LLM性能影响，实验证明显著。
Sachin Pawar, Manoj Apte, Kshitij Jadhav 等
采用Transformer模型分析塞内加尔低资源语言的NLP进展，识别数据缺口与未来方向。
Derguene Mbaye, Tatiana D. P. Mbengue, Madoune R. Seye 等
Axlerod结合NLP和RAG技术，提升保险代理信息检索准确率至93.18%，缩短搜索时间2.42秒。
Adam Bradley, John Hastings, Khandaker Mamun Ahmed
Memory-T1利用强化学习实现多会话中的时间感知记忆选择，提升长对话的推理能力。
Yiming Du, Baojun Wang, Yifan Xiang 等
Seed-Prover 1.5以Agentic RL和测试时扩展，在PutnamBench达88%。
Jiangjie Chen, Wenxiang Chen, Jiacheng Du 等
提出MMRB2基准，评估多模态奖励模型在文本-图像、编辑、推理任务中的表现，最高API模型Gemini 3 Pro达80%。
Yushi Hu, Reyhane Askari-Hemmat, Melissa Hall 等
本研究提出JustRL，采用单阶段固定超参数训练1.5B模型，性能超越复杂方法，训练稳定且耗费更少计算资源。
Bingxiang He, Zekai Qu, Zeyuan Liu 等
本研究评估6个SpeechLLMs在16个基准上的性能，发现大多能匹配或超越传统级联架构，强调LLM整合的重要性。
Sara Papi, Javier Garcia Gilabert, Zachary Hopton 等
提出以“形式-功能-动态”三维框架系统化归纳代理记忆，涵盖三种主要实现与多样功能。
Yuyang Hu, Shichun Liu, Yanwei Yue 等
FIN-bench-v2通过整合多种基准测试，评估芬兰语大模型的表现，使用2.15B参数模型进行验证。
Joona Kytöniemi, Jousia Piha, Akseli Reunamo 等
AutoTool通过双阶段优化实现动态工具选择，提升LLM推理能力，平均在数学、科学、代码和多模态任务中提升6.4%。
Jiaru Zou, Ling Yang, Yunzhe Qi 等
NL2Repo-Bench通过长远目标任务评估编码智能体的完整软件仓库生成能力，平均测试通过率不足40%。
Jingzhe Ding, Shengda Long, Changxin Pu 等