提出结合量子与经典的物理信息Kolmogorov-Arnold网络（QCPIKAN）用于模糊偏微分方程的求解。
Xiang Rao, Yuxuan Shen
提出结合滑动窗口与 Hirschberg 算法的内存优化激活检查点技术，有效支持PyTorch中大规模神经网络的精确最优回溯。
Jędrzej Maczan
提出FCAC框架，结合新鲜度约束与随机审计，有效控制欺诈自动化授权，实验达84.4%自动率。
Jie Deng
提出Graph Circuit Learning（GCL），利用GNN跨模型任务学习电路，最高边AUROC达0.902。
Chester Tan, Moritz Lampert, Courtney Maynard 等
提出生物启发的模块化神经网络（D-SNN），在MNIST等数据集达98%准确率，参数少十倍，抗灾难性遗忘。
Maksim Bazhenov, Serafim Grubas, Vakhtang Putkaradze
引入量子相位状态，复杂模型训练速度提升三倍，验证在字节级文本任务中表现优异。
Ahmed Nebli, Hadi Saadatdoorabi, Christopher Keibel 等
Momba通过网络架构改进（特征归一化、权重归一化、分布式回报模型）提升多目标强化学习性能。
Adam Štafa, Santeri Heiskanen, Petr Novotný 等
Modular TTT将测试时训练（TTT）作为可组合模块，通过图结构化设计优化性能。
Bohao Tang, Zhen Qin, Yuqi Pan 等
引入块混合注意力，将LLaDA 2.1-mini的6层层替换为线性注意，提升1.7倍推理速度。
Jinha Kim, Younghun Roh, Jaeyeon Kim
提出基于排名的奖励构建（RRC）方法，通过相对偏好排名提升生成奖励模型在强化学习中的表现，实验显示在多个任务上均优于传统方法。
Chenglong Wang, Ziming Zhu, Yifu Huo 等
提出SG-TULA算法，直接在次梯度上操作，解决非凸、非光滑、超线性增长问题，提供非渐近收敛保证。
Iosif Lytras, Nikolaos Makras, Sotirios Sabanis
提出LC-GRPO，结合Langevin校正，缓解流模型训练与推理差异，提升强化学习效果。
Yingqing Guo, Hui Yuan, Zijian He 等
分片技术通过划分需求组，提升LLM监督的准确性和抗攻击能力，超越单一模型。
Victor Akinwande, J. Zico Kolter, Aran Nayebi
引入基于大语言模型（LLMs）的符号回归（SR）框架，用于自动发现反应动力学模型，显著缩短模型识别迭代次数。
Roberto Aliaga Medina, Paulina Quintanilla, Antonio del Rio Chanona
边缘匹配不能保证因子化采样，模型泄漏问题依然存在。
Duong Bach, Hai Nguyen Hong, Cuong Do
引入变分界界限方法，分析高维高斯混合数据中连续自旋感知器的极限压力，提供上下界和固定点方程。
Francesco Camilli, Pierluigi Contucci, Federica Gerace 等
提出Observation-Calibrated Self-Distillation（OCSD），通过对比结构匹配的回放视图，改善大模型强化学习中的偏差问题，显著提升多任务性能。
Yi Yang, Cong Qin, Xiaodan Liu 等
BinaryPC通过二进制主成分实现无训练、数据感知的稀疏注意，保持精度且提升效率。
Daohai Yu, Zhanpeng Zeng, Keyu Chen 等
Omega-S为LLM微调设计的结构正则，基于矩阵拓扑指标，提升模型记忆保留率。
Alberto Acedo
SALT通过子空间对齐训练，使用超低秩残差恢复高秩准确性，提升18.5%准确率。
Xiang Li, Pengcheng Wang, Huazheng Wang 等