AdMem框架通过整合语义、情节和程序记忆，提升LLM在长任务中的表现。
Runzhe Wang, Huilin Lu, Shengjie Liu 等
CaRE框架标准化MDLM重掩码策略评估，揭示温度和计算对排名影响。
Yash Shah, Abhijit Chakraborty, Vivek Gupta
OpenSkill框架在无监督条件下提升LLM代理的技能迁移能力，取得最佳自动化通过率。
Zhiling Yan, Dingjie Song, Hanrong Zhang 等
提出ShallowBench，基于Alpha Shape差异筛选低凹度靶点，评估生成模型在浅口蛋白上的表现。
Saket Reddy, Shiwei Liu
研究通过日常人类视频共同训练机器人操作策略，成功率提高29.7%。
Richard Li, Aditya Prakash, Andrew Wen 等
PoLar算法通过动态跳过或重复层，提高LLM推理效率和准确性。
Ziyue Li, Yang Li, Tianyi Zhou
提出Code2LoRA，通过超网络为代码模型生成特定适配器，提升在软件演化中的表现，静态和动态两场景均达优异效果。
Liliana Hotsko, Yinxi Li, Yuntian Deng 等
提出RP-Regret指标，结合优化算法实现对抗性环境中的策略最小化，提升合作与均衡效果。
Mingyang Liu, Asuman Ozdaglar, Tiancheng Yu 等
PAR3D提出基于部件感知的3D多模态大模型，利用ScenePart数据集显著提升细粒度场景理解能力。
Shaohui Dai, Yansong Qu, You Shen 等
提出复杂度平衡扩散切分（CBS），通过Dirichlet能量和轨迹加速度估算局部复杂度，有效提升生成质量约35%。
Noam Issachar, Dani Lischinski, Raanan Fattal
提出Astra框架结合RL训练的VLM策略与Bagel基础世界模拟器，实现基于想象的空间推理，提升MMSI-Bench从45.1到49.5。
Chenming Zhu, Jingli Lin, Yilin Long 等
MLEvolve是一种基于大语言模型的自我演化框架，用于端到端机器学习算法自动发现，在12小时预算内达成65.3%的奖牌率。
Shangheng Du, Xiangchao Yan, Jinxin Shi 等
提出多项式预处理（PC）层，通过低阶多项式调控权重奇异值谱，提升LLM预训练效率，实验证明在Llama-1B模型中提升速度和准确率。
Senmiao Wang, Tiantian Fang, Haoran Zhang 等
利用大偏差原理分析高维线性分类器的泛化性能，发现“良好插值器”极其稀少，算法优越性超越大部分插值器。
August Y. Chen, Ahmed El Alaoui
本研究通过控制性实验验证提示技能中Popperian程序内容对代码生成的实际贡献，发现结构比内容更关键。
Mehmet Iscan
提出长时记忆系统分类，分析10个代表系统的系统行为，提供10条系统优化建议。
Yasmine Omri, Ziyu Gan, Zachary Broveak 等
提出基于实体感知的影像比对框架MedReCo，利用690,000+图像实现临床相似病例检索与变化生成。
Tengfei Zhang, Ziheng Zhao, Lisong Dai 等
HomeWorld提出基于大规模真实住宅平面图的层级式生成框架，实现可控、密集交互的全屋场景，利用LLM和图像模型生成高多样性布局。
Wenbo Li, Xiaoliang Ju, Zipeng Qin 等
提出基于多智能体强化学习的涌现语言方法，观察无先验条件下的意识相关结构，发现自指通信和回声检测电路。
Zengqing Wu, Chuan Xiao
提出基于视觉常识的知识优化框架，提升场景图生成的准确性，三大基准上实现显著性能提升。
Maëlic Neau, Salim Baloch, Jakob Suchan 等