本文提出TxFM，一种基于掩码自编码的转录组表达学习模型，在1.4M数据集上训练，显著优于大规模基础模型。
Kian Kenyon-Dean, Alina Selega, Ihab Bendidi 等
提出基于函数对应的“功能注意力”机制，解决连续场离散化问题，在PDE、3D分割等任务中表现优异。
Jiefang Xiao, Maolin Gao, Simon Weber 等
提出线性递归记忆单元（ALF）在部分可观测强化学习中的理论基础，构建两类线性滤波器实现对信念状态的精确重建。
Yike Zhao, Onno Eberhard, Malek Khammassi 等
提出HullFT，通过凸包重建与梯度缓存，实现大规模语言模型的高效测试时微调，提升速度与质量的平衡。
Alaa Khamis, Alaa Maalouf
利用多目标遗传编程演化特征集与树结构，提升生存分析模型的可解释性与预测性能，基于两份真实临床数据集。
Thalea Schlender, Peter A. N. Bosman, Tanja Alderliesten
SCOPE采用开集插件分类器结合上下文学习，提升空中交通管制回读异常检测准确率至91.05%，实现低延迟响应。
Qihan Deng, Minghua Zhang, Yang Yang 等
提出LearnWeak框架，通过强参考代理自动识别小型CUA的弱点，提升8个软件域的性能，平均提升11.6个百分点。
Suji Kim, Kangsan Kim, Sung Ju Hwang
BIRDNet通过挖掘布尔蕴涵关系构建稀疏可解释的深度神经网络，验证六个生物医学数据集，参数显著少于传统MLP。
Tirtharaj Dash
SAERL框架利用稀疏自编码器内在激活，提升LLM后训练数据多样性、难度排序与质量过滤，Qwen2.5-Math-1.5B准确率提升3%。
Yi Jing, Zao Dai, Jinwu Hu 等
提出GADD算法，实现统一速率离散扩散模型采样复杂度降至O(polylog(ε⁻¹))，显著提升采样效率。
Yuchen Liang, Ness Shroff, Yingbin Liang
提出Normal Guidance正态引导正则化方法，提升基于注意力的MIL在4百万切片CT数据上的切片级定位性能。
Ethan Harvey, Dennis Johan Loevlie, Michael C. Hughes
统一神经网络缩放定律（UNSL）精准建模多维度同时变化下的深度学习性能，提升预测准确度超过10%。
Ethan Caballero, Priyank Jaini, David Krueger 等
提出Vector Policy Optimization（VPO）算法，通过训练多样化策略显著提升测试时搜索性能，最高提升达20%以上。
Ryan Bahlous-Boldi, Isha Puri, Idan Shenfeld 等
提出基于3D高斯点云持久世界模型和Transformer序列策略的好奇心驱动3D探索，HM3D测试提升3D覆盖率至74.94%。
Lily Goli, Justin Kerr, Daniele Reda 等
匹配原理：通过估计部署环境无关扰动协方差矩阵，正则化编码器Jacobian，实现鲁棒表示学习，7B模型实验验证。
Vishal Rajput
Pion优化器通过正交等价变换保持光谱，提升大语言模型训练稳定性。
Kexuan Shi, Hanxuan Li, Zeju Qiu 等
提出一种稀疏到密集奖励原则，结合GRPO和OPD，提升语言模型后训练性能。
Yuanda Xu, Hejian Sang, Zhengze Zhou 等
MEME通过多实体和动态记忆评估揭示现有系统在依赖推理任务上的不足。
Seokwon Jung, Alexander Rubinstein, Arnas Uselis 等
本文提出了一种无参数在线K-Means路由器，通过几何耦合实现有效的专家分配，降低负载不平衡，仅略微增加困惑度。
Sagi Ahrac, Noya Hochwald, Mor Geva
KV-Fold：一种无需训练的长上下文推理协议，实现100%精确匹配检索。
Alireza Nadali, Patrick Cooper, Ashutosh Trivedi 等