提出低成本开源平台，结合行为克隆实现迷你Ackermann车辆端到端自主驾驶，平均横向误差6.1cm。
Gustavo Claudio Karl Couto, Eric Aislan Antonelo, Gabriel George Zipperer
VT-Contrast通过视频令牌对比提升VideoLMs的时间理解能力，显著提高了TOMATO等基准的表现。
Yumeng Shi, Quanyu Long, Yin Wu 等
提出CORE框架，通过reranker蒸馏提升多模态大模型的组合推理能力，Rank-KL达82.7%平均。
Tingyu Song, Mingxin Li, Yanzhao Zhang 等
提出PreferenceEKF，通过子空间扩展卡尔曼滤波实现高效偏好主动奖励学习，提升样本效率。
Yutai Zhou, Erdem Bıyık
提出SIGNBALANCE，解决GRPO中猜测带来的虚假优势，提升数学和搜索任务表现。
Jiamian Wang, Samyadeep Basu, Koustava Goswami 等
本研究提出评估模型过度编辑行为的方法，利用控制AST腐败的基准框架，发现即使在强模型中，过度编辑仍普遍存在，并通过提示和训练策略减缓。
Tongyao Zhu, Wei Hern Lim, Min-Yen Kan
Dice Roll方法提供LLM品牌推荐审计的标准协议，可靠性预测准确。
Dmitrij Żatuchin
MulDP结合视觉与本体感知，通过扩散模型实现复杂地形的自主四足机器人穿越。
Kangmai Hu, Yueqi Zhang, Peng Zhai 等
采用语义分割与摄影测量结合的工件焊缝快速定位方法，误差约4.2mm。
Augustin Raju, Abilash Madavath, Chandra Yuvesh Aubeeluck 等
提出WorldReward，基于VLM的配对偏好奖励模型，融合动作一致性与视觉质量评估。
Yibin Wang, Zehan Wang, Junshu Tang 等
使用正交匹配追踪算法在长视频中选择帧，提升6.9分。
Prakhar Khatri
通过遗传算法实现可控树宽的贝叶斯网络融合，提升推理效率。
Pablo Torrijos, José A. Gámez, José M. Puerta 等
使用自然语言描述图像子集差异，提出AD-Diff Bench基准。
Julian Truetsch, Felix Hauser, Christoph Stiller 等
CoFiE通过粗到细的证据选择框架，在多个基准上实现了效率与准确性的最佳平衡，达到78.86%的准确率。
Jing Jiang, Yiran Ling, Ruonan Li 等
Drive-HWM采用层级慢快世界模型，结合多步未来表示与即时动作预测，显著提升自主驾驶性能。
Zhaoxin Fan, Tianbao Zhang, Wenjun Wu 等
RecurTrace通过循环时间记忆提高推理准确性，MathQA上达到56.9%。
Yuxiang Wang, Kunyu Feng, Yingda Shen 等
DM-Align联合蒸馏与偏好对齐，4-NFE下VBench达84.40。
Jiuzhou Lin, Junlong Wu, Fei Zuo 等
提出反思感知偏好优化（RA-GRPO），结合逆扩散反射机制提升视觉生成的语义一致性与真实感。
Junlong Wu, Jiuzhou Lin, Jia Sun 等
ALRA方法通过自适应局部关系对齐提升语言模型蒸馏效果，在The Pile数据集零样本基准上提升准确率2.91个百分点。
Quang Hoang Trung, Quang Huu Hieu, Nguyen Van Hoang Phuc 等
使用GPU加速的树形遗传编程进行符号回归常数优化，提升了9.9倍吞吐量。
Hao Mao, Xu Tony Liu, Shuai Lu 等