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
基于MARUS的虚拟海试框架，通过命令-执行追溯实现IMO/ITTC标准的USV转向性能数据采集与系统识别。
Paria Rezayan
Fourier特征将点云映射至多频空间，使模仿策略更精确；真实任务归一化得分由14.8%升至40.2%。
Balázs Gyenes, Emiliyan Gospodinov, Jan Frieling 等
ExtremeWhenBench基准测试表明，长视频的自然语言时间定位是一个搜索问题，检索-定位混合方法性能提升6.7倍。
Sukmin Seo, Geewook Kim
使用因果影响图（CID）证明无法通过反馈训练AI诚实报告潜在知识。
Korbinian Friedl, Francis Rhys Ward, Paul Yushin Rapoport 等
提出数据中介模型解决AI市场中的创作激励与模型性能双重失灵问题，结合静态与动态分析，优化激励机制。
Yan Dai, Maryam Farboodi, Negin Golrezaei 等
提出RankGuard，基于用户私有点击历史的去中心化OLTR防御机制，确保模型收敛且抗污染。
Marcel Gregoriadis, Martijn de Vos, Sayan Biswas 等
AGRA通过对齐视频特征与语义表示，提升机器人操作模型的动作准确性，ID成功率80%。
Lu Qiu, Yizhuo Li, Yi Chen 等
SKIM框架压缩大语言模型中的程序性知识，保持任务性能，压缩率达30%-60%。
Changyue Wang, Weihang Su, Qingyao Ai 等
本研究评估Instruction-Tuned大模型中解码时真值性方法（层对比、干预、logit适配器）效果，发现严格控制下效果有限。
Ao Sun
提出ZOMA框架，结合多种零阶估计器与加速技术，实现去中心化极小极大优化。
Haoyuan Cai, Yike Zhao, Aleksandar Armacki 等
提出ISAP-3D，通过显式身份槽对齐实现稳定的3D部件生成，显著提升结构一致性。
Junlin Hao, Haoshuai Fu, Xibin Song 等
H-SAL通过自我描述文本进行隐性去偏，优于显性标签去偏。
Shun Shao, Zheng Zhao, Anna Korhonen 等
本论文提出基于元数据感知的多提示推理框架，用于零样本监控视频事故理解，显著提升CVPR基准的综合评分。
Tarandeep Singh, Soumyanetra Pal, Soham Biswas 等
本文从机器学习视角分析动力系统中的不确定性，区分了内在随机性(aleatoric)与知识缺乏(epistemic)，并探讨其在不同任务中的作用。
Yusuf Sale, Christopher Bülte, Felix Czaja 等
提出神经关系程序（NRPs），融合关系查询与神经计算，扩展Datalog规则处理嵌入向量。
Arie Soeteman, Balder ten Cate, Maurice Funk 等
提出Arbor框架，通过假设树细化实现自主研究，显著提升多任务性能。
Jiajie Jin, Yuyang Hu, Kai Qiu 等
StreamMUSE实现实时音乐伴奏生成，优化同步性能。
Bowen Zheng, Andrew H. Yang, Jiaqi Ruan 等