PEHT结合LoRA优化Transformer，利用城市交通与拥堵信息实现网络流量高精度预测。
Abdolazim Rezaei, Mehdi Sookhak, Mahboobeh Haghparast
RiVER框架利用无Ground-Truth的连续评分优化，提升LLMs在算法竞赛中的表现，平均提升2.4%-3.5%。
Yingyu Lin, Qiyue Gao, Nikki Lijing Kuang 等
提出误差条件神经求解器（ENS），通过将PDE残差作为输入实现迭代修正，显著提升预测精度达10倍，避免高成本优化。
Haina Jiang, Liam Wang, Peng-Chen Chen 等
提出两种正则化方法增强Top-k稀疏自编码器的单义性与鲁棒性，提升解释性与重建质量。
Nathanaël Jacquier, Maria Vakalopoulou, Mahdi S. Hosseini
本文将Blackwell逼近与梯度平衡（GEQ）等价关系通过算法还原，揭示其在在线学习中的深层联系。
Brian W. Lee, Nika Haghtalab, Michael I. Jordan 等
提出决策对齐评估框架，批判现有UQ指标偏离决策实用性，创新性引入先验加权实用性指标，实验验证其优越性。
Annika Schneider, Tommy Rochussen, Joshua Stiller 等
提出Red Queen Gödel Machine（RQGM），通过共进化学习评估器实现非静态目标优化，在代码、论文、证明等任务中提升性能，节省1.35-1.86倍搜索成本。
Alex Iacob, Andrej Jovanović, William F. Shen 等
本研究揭示预训练中规则存续的非对称性，利用支持频率预测规则命运，发现规则易被破坏且难以恢复，采用编辑和干预验证机制。
Juliana Li, Diya Sreedhar
Grad Detect利用层级梯度模式，单次推理中准确检测LLM幻觉，超越置信度基线。
Anand Kamat, Daniel Blake, Brent M. Werness
提出成功访问匹配（SVM）过程奖励，将稀疏奖励转化为密集奖励，显著提升机器人任务微调效率。
Raymond Tsao, Andrew Wagenmaker, Sergey Levine
提出基于图边界的执行状态胶囊，实现低延迟、小批量、设备端物理AI的高效恢复与重启。
Liang Su
提出基于分段多项式插值的梯度下降（PPI-GD），在数据维度d为对数多项式阶时实现优越的oracle复杂度。
Dongmin Lee, William Lu, Anuran Makur
提出STARE（Surprisal-guided Token-level Advantage Reweighting），通过比率调节确保策略熵稳定，在1.5B到32B模型上提升准确率4%-8%。
Haipeng Luo, Qingfeng Sun, Songli Wu 等
提出基于LLM的零样本主动特征获取框架，利用最大熵闭包解决判别统计的标度模糊，显著提升IBD患者诊断准确率。
Binyamin Perets, Natalie Mendelson, Shiran Vainberg 等
提出循环世界模型（LoopWM），通过参数共享的变换器迭代优化潜在状态，提升参数效率达100倍，适应复杂预测需求。
Hongyuan Adam Lu, Z. L. Victor Wei, Qun Zhang 等
引入Kolmogorov偏微分方程，提升扩散策略的鲁棒性，实验证明在推挤操控和制造线应用中性能显著改善。
Lekan Molu
本文分析了基于策略的蒸馏（OPD）中的参数稀疏性与几何结构，发现其更新具有稀疏、非低秩但谱集中等特征，揭示了密集教师监督下的模型微调特性。
Guo Yu, Wenlin Liu, Yulan Hu 等
提出Bebop，通过TV损失和拒绝采样显著提升RL训练中MTP接受率，达95%并实现1.8倍加速。
Yucheng Li, Huiqiang Jiang, Yang Xu 等
本研究比较xLSTM、Mamba-2和Gated DeltaNet三种子二次架构，验证xLSTM在复杂任务中的优越性，核心在于其稳健的状态追踪与记忆累积。
Anamaria-Roberta Hartl, Levente Zólyomi, David Stap 等
提出Latent World Recovery（LWR）框架，有效应对多模态数据中的缺失问题，通过模态特定嵌入在共享潜在空间中对齐，实现缺失模态的鲁棒预测。
Hui Wang, Tianyu Ren, Joseph Butler 等