提出层次语义强化学习（HSRL），通过固定语义空间解决推荐系统中的动态大规模动作空间问题。
Minmao Wang, Xingchen Liu, Shijie Yi 等
提出ISMIE框架，基于组件、变量和活动分析现代信息环境中的信息寻求，验证其在虚假信息和AI内容信任危机中的应用。
Shuoqi Sun, Danula Hettiachchi, Damiano Spina
ModernVBERT是一款250M参数的视觉-语言编码器，通过改进注意力掩码和训练策略，显著提升文档检索性能。
Paul Teiletche, Quentin Macé, Max Conti 等
调查工业推荐系统的挑战与方法，强调数据规模与实时性。
Kuan Zou, Aixin Sun
MME-SID用多模态量化嵌入缓解塌缩与遗忘，Amazon Beauty初测将遗忘率从94.5%降至约62.9%。
Yuhao Wang, Junwei Pan, Xinhang Li 等
提出算法适应偏差，基于真实A/B实验验证偏差机制，强调模型、用户数据和训练管道的动态反馈。
Chen Zheng, Zhenyu Zhao
提出OneRec-V2，采用懒惰解码器架构，减少94%计算，提升模型规模至8B参数。
Guorui Zhou, Hengrui Hu, Hongtao Cheng 等
提出MPFormer，基于目标条件Transformer实现多目标个性化序列检索，显著提升工业推荐系统性能。
Yijia Sun, Shanshan Huang, Linxiao Che 等
提出HLLM-Creator，基于层次大模型实现个性化创意生成，提升效率和准确性。
Junyi Chen, Lu Chi, Siliang Xu 等
提出PREMIR框架，通过跨模态预问生成实现零样本文档检索，显著优于现有基线。
Yejin Choi, Jaewoo Park, Janghan Yoon 等
OPERA结合强化学习的规划-执行架构，显著提升多跳推理检索性能，达成57.3%的HotpotQA EM。
Yu Liu, Yanbing Liu, Fangfang Yuan 等
提出ProxyRL-FRS，结合ProxyNCF和强化学习优化客户端选择，提升推荐模型性能。
Liang Qu, Jianxin Li, Wei Yuan 等
提出KuaiLive，基于快手平台的实时交互直播推荐数据集，支持多任务学习。
Changle Qu, Sunhao Dai, Ke Guo 等
提出CFRR，利用逆概率加权减少用户匹配中的偏差，提升排名和公平性。
Kazuki Kawamura, Takuma Udagawa, Kei Tateno
提出一种多任务学习（MTL）方法，通过数据驱动任务定义，提升稀有转化事件（<1%）的预测准确率，在线上线下均实现显著提升。
Yuval Dishi, Ophir Friedler, Yonatan Karni 等
提出基于效用的知识筛选模型，利用知识蒸馏将大模型能力压缩至小模型，提升复杂问答的效率与效果。
Hengran Zhang, Keping Bi, Jiafeng Guo 等
VERIRAG利用结构化方法检测科学摘要中的潜在方法学漏洞，提升F1至少19点。
Shubham Mohole, Hongjun Choi, Shusen Liu 等
提出RankMixer，采用多头Token Mixing和稀疏MoE，实现模型参数提升100倍，MFU从4.5%升至45%，在工业推荐中表现优异。
Jie Zhu, Zhifang Fan, Xiaoxie Zhu 等
SPAR利用多智能体架构结合RefChain和查询演化，显著提升学术检索F1达56%。
Xiaofeng Shi, Yuduo Li, Qian Kou 等
提出IPSsim扩展，结合文档相似性改善偏差校正，提升LTR模型性能。
Zeyan Liang, Graham McDonald, Iadh Ounis