OmniVerifier-M1采用符号化输出与解耦强化学习，提升视觉验证的准确性和效率，达成0.68在ViVerBench指标。
Xinchen Zhang, Bowei Liu, Jiale Liu 等
提出CAPO方法，通过跨标注偏好优化，模型学习到个体标注者的稳定解释行为，显著优于提示和SFT。
Beiduo Chen, Pingjun Hong, Ziyun Zhang 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
FluxMem通过三阶段演化机制，将记忆建模为动态异构图，显著提升LLM在复杂环境中的适应性和泛化能力。
Jizhan Fang, Buqiang Xu, Zhixian Wang 等
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
本研究通过黑箱监控揭示三种VLA架构在运动指令层的不同失败签名，强调架构匹配监控的重要性。
Krishnam Gupta
基于pymetrics数据，揭示算法单一供应商导致招聘中种族不公与系统性拒绝现象。
Rishi Bommasani, Sarah H. Bana, Kathleen A. Creel 等
MUSE-Autoskill通过技能生命周期管理提升任务成功率，技能复用率达68.4%。
Huawei Lin, Peng Li, Jie Song 等
LocateAnything基于并行框解码，训练138M样本，显著提升定位速度与精度
Shihao Wang, Shilong Liu, Yuanguo Kuang 等
BRANE方法通过LLM提取查询特征，实现MuSiQue等数据集89%成本节省的动态检索配置优化。
Melissa Z. Pan, Negar Arabzadeh, Mathew Jacob 等
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
基于DINO表征的条件扩散模型实现高质量且可控图像生成，LSUN和CelebA数据集验证。
Nithesh Chandher Karthikeyan, Jonas Unger, Gabriel Eilertsen
FinHarness通过内联生命周期安全护具，FinVault基准ASR降至15%，高级判官调用减少4.7倍
Haoxuan Jia, Yang Liu, Bin Chong 等
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
基于LLM进化搜索的对抗性宪法演化，在公共物品博弈中实现蓝红阵营近0.78稳定均衡。
Ujwal Kumar, Arth Singh, Hershraj Niranjani 等
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DeltaDirect方法，MoDirect数据集，合成域准确率从25.9%提升至85.4%。
Jongseo Lee, Hyuntak Lee, Sunghun Kim 等
ConvexTok通过凸松弛优化Tokeniser，提升压缩率，词汇量128k时接近最优，BpB提升显著。
Jan Tempus, Philip Whittington, Craig W. Schmidt 等
MotiMotion结合视觉语言模型推理与置信度调控，实现运动控制视频生成，MotiBench评测优于MagicMotion和Wan-Move。
Lee Hsin-Ying, Hanwen Jiang, Yiqun Mei 等