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

提出轻量级视频片段选择方法，利用大模型提取关键时刻，达成接近参考片段的多模态长视频总结。

Galann Pennec, Zhengyuan Liu, Nicholas Asher 等

FACTS排行榜评估大语言模型的事实准确性，使用四个子排行榜，平均得分为68.8。

Aileen Cheng, Alon Jacovi, Amir Globerson 等

通过细调极窄数据集引发大范围误导和隐性后门，揭示LLMs的泛化风险。

Jan Betley, Jorio Cocola, Dylan Feng 等

SAGE基准通过9维度和4530个测试项评估大语言模型的跨文化理解能力，揭示其系统性不足。

Shiwei Guo, Sihang Jiang, Qianxi He 等

DeepSeek-V3.2通过引入稀疏注意机制和大规模强化学习，显著提升开放式大模型的推理和代理能力，达到了与GPT-5相当的性能。

DeepSeek-AI, Aixin Liu, Aoxue Mei 等

提出多解任务中的推理过度自信问题，Long-CoT缓解该问题，基于认知刚性假设。

Jiannan Guan, Qiguang Chen, Libo Qin 等

提出Matrix去中心化多智能体合成数据框架，通过消息传递实现高效扩展，提升2-15倍吞吐量。

Dong Wang, Yang Li, Ansong Ni 等

研究发现，任务算术是唯一能在“野外”环境中提升大型语言模型性能的方法。

Oğuz Kağan Hitit, Leander Girrbach, Zeynep Akata

提出结合检索和自我知识的上下文感知PMP方法，提升 sarcasm 检测中的宏F1达9.87%。

Michael Iskandardinata, William Christian, Derwin Suhartono

Evo-Memory通过自我演化机制评估LLM在连续任务中的记忆更新，达成平均性能提升0.65。

Tianxin Wei, Noveen Sachdeva, Benjamin Coleman 等

提出RLER方法，结合搜索与演化的评判标准，训练深度研究模型DR Tulu-8B，性能优于现有开源模型。

Rulin Shao, Akari Asai, Shannon Zejiang Shen 等

SMILE结合语义和词汇精确性，显著提升问答评估的效率与准确性。

Shrikant Kendre, Austin Xu, Honglu Zhou 等

Nemotron Elastic通过嵌套子模型实现高效多合一推理，训练成本减少360倍。

Ali Taghibakhshi, Sharath Turuvekere Sreenivas, Saurav Muralidharan 等

本研究发现，诗歌风格可作为单轮越狱工具，25个模型中攻击成功率达62%，跨领域传递显著。

Piercosma Bisconti, Matteo Prandi, Federico Pierucci 等

提出Agent-R1框架，基于逐步轨迹表示与灵活上下文管理，支持多种优化策略，提升多轮智能体学习能力。

Mingyue Cheng, Shuo Yu, Daoyu Wang 等

Spark-Prover-X1通过多样数据训练提升形式定理证明能力，解决PutnamBench 27题。

Xinyuan Zhou, Yi Lei, Xiaoyu Zhou 等

提出LLMLagBench，利用变点检测识别大模型训练的时间边界，实测多模型偏差显著。

Piotr Pęzik, Konrad Kaczyński, Maria Szymańska 等

提出GAD框架，通过对抗训练实现黑盒LLM的无参数知识蒸馏，Qwen2.5-14B在GPT-5-Chat上表现接近。

Tianzhu Ye, Li Dong, Zewen Chi 等

ADI-20数据集扩展了ADI-17，使用ECAPA-TDNN和Whisper模型进行阿拉伯方言识别。

Haroun Elleuch, Salima Mdhaffar, Yannick Estève 等