提出基于互信息的RAG检索器评估框架MIGRASCOPE，量化检索质量与冗余。
Wenqing Zheng, Dmitri Kalaev, Noah Fatsi 等
提出反馈循环模型，分析推荐系统中的多样性悖论，发现动态演变中个体多样性逐渐下降。
Gabriele Barlacchi, Margherita Lalli, Emanuele Ferragina 等
Self-EvolveRec利用LLM引导的方向性反馈，通过用户模拟器和模型诊断工具实现推荐系统的自我进化，显著优于现有NAS和代码演化方法。
Sein Kim, Sangwu Park, Hongseok Kang 等
DiffuRank利用扩散语言模型实现文档重排序，支持并行解码，性能媲美甚至优于传统自回归模型。
Qi Liu, Kun Ai, Jiaxin Mao 等
LASER用SeqVault+STA/GSTA实现超长序列低延迟CTR建模，线上ADVV+2.36%、收入+2.08%。
Tianhe Lin, Ziwei Xiong, Baoyuan Ou 等
提出EST架构，通过LCA和CSA实现CTR预测的全序列统一建模，显著提升工业应用性能。
Mingyang Liu, Yong Bai, Zhangming Chan 等
OneLive提出动态统一生成推荐框架，结合动态Tokenization与时间感知机制，显著提升直播推荐性能。
Shen Wang, Yusheng Huang, Ruochen Yang 等
提出TokenMixer-Large，通过引入混合-还原操作和稀疏MoE，实现参数扩展至15亿，显著提升工业推荐模型性能。
Yuchen Jiang, Jie Zhu, Xintian Han 等
提出多字段工具检索框架（MFTR），通过结构化、多维匹配提升检索性能。
Yichen Tang, Weihang Su, Yiqun Liu 等
RecGOAT结合图神经网络与最优传输，实现多模态推荐中的双层语义对齐，显著提升性能。
Yuecheng Li, Hengwei Ju, Zeyu Song 等
MDGR以掩码扩散生成SID，较基线最高提升10.78%，线上收入提升1.20%。
Lingyu Mu, Hao Deng, Haibo Xing 等
提出三维QPP评估框架（SRMQ-PP、MRSQ-PP、MRMQ-PP），验证不同模型在多任务中的表现差异，结果显示传统分数模型在多模型任务中表现优越。
Payel Santra, Partha Basuchowdhuri, Debasis Ganguly
提出Reddit-Amazon-EM数据集，评估多种实体匹配方法，GNEM表现最佳。
Zihan Huang, Rohan Surana, Zhouhang Xie 等
提出基于纳什社会福利的公平推荐算法，有效平衡匹配率与公平性。
Yoji Tomita, Tomohiko Yokoyama
本研究分析RAG系统在评估中泄露信息的风险，验证了泄露促使评分虚高的机制。
Laura Dietz, Bryan Li, Eugene Yang 等
HyFormer结合序列建模与特征交互，创新性引入全局Token，显著提升CTR预测性能。
Yunwen Huang, Shiyong Hong, Xijun Xiao 等
引入信息耕作概念，借比喻从采摘到耕作，强调生成式AI推动的主动信息生产。
Leif Azzopardi, Adam Roegiest
MemRec通过协作记忆和轻量级语言模型提升推荐系统性能，在Goodreads上H@1提高28.98%。
Weixin Chen, Yuhan Zhao, Jingyuan Huang 等
PosIR通过长度控制和精确参考跨度，系统诊断多语言多领域中的位置偏差，揭示模型在长文本中的偏好。
Ziyang Zeng, Dun Zhang, Yu Yan 等
提出STELLA框架，结合术语识别与合成查询，构建航空航天IR基准，评估模型语义理解能力。
Bongmin Kim