本研究通过实证分析数据规模、模型复杂度与输入模态对视觉泛化的影响，发现数据规模提升显著，模型复杂度变化不稳定，色彩信息缺失影响较大。
Yidi Zhouluo
提出NVFP4量化方法，通过块大小和缩放策略实现边缘AI低功耗推理，保持较高准确率。
Ovishake Sen, Venkata Nithin Kamineni, Daniel Lobo 等
提出COOPER算法，联合学习声誉评估规则与策略，实现多智能体合作与声誉规范自发演化。
Xinwei Song, Yizhe Huang, Dengji Zhao 等
Fidelity框架中引入负数和分数类型，提升计算能力。
Houston Haynes
提出合成基准评估概念瓶颈模型，控制数据属性，验证模型性能。
Julian Skirzynski, Harry Cheon, Shreyas Kadekodi 等
UniCanvas利用扩散模型在单一像素画布上实现文本与图像的联合生成，显著提升多模态多步推理能力。
Zeyuan Yang, Hao-Wei Chen, Xueyang Yu 等
提出PerceptTwin，通过语义场景重建实现机器人计划验证，提升成功率39%。
Charlie Gauthier, Sacha Morin, Liam Paull
dMX通过可微分的混合精度分配优化LLMs的浮点格式，有效平衡性能与精度。
Giuseppe Franco, Ian Colbert, Pablo Monteagudo-Lago 等
Humanoid-GPT采用大规模2B帧运动数据和GPT结构，实现零样本高动态运动追踪，超越传统MLP追踪器。
Zekun Qi, Xuchuan Chen, Dairu Liu 等
Skill-RM通过Agent技能统一多样评价标准，在奖励模型中实现动态资源调度，提升性能，实验中在RewardBench2等基准上优于传统方法。
Tao Chen, Gangwei Jiang, Pengyu Cheng 等
引入“睡眠”范式，通过知识播种与梦境机制实现大模型的持续学习与记忆巩固。
Ali Behrouz, Farnoosh Hashemi, Vahab Mirrokni
提出基于奖励不确定性的多样行为引导框架ROSA，通过奖励分布实现行为多样性，无性能折损。
Anthony GX-Chen, Ankit Anand, Gheorghe Comanici 等
提出偏好校准的HIL-RL框架PACT，通过识别次优段落校正Q值，提升机器人操作成功率24.5%，收敛速度提升1.3倍。
Zeyi Liu, Guangyao Liu, Yinuo Qu 等
提出SEAOTTER框架，结合学习的JPEG编码与一次性转码，实现200:1压缩比下的高效图像重建，编码速度提升7倍，准确率提升8%。
Dan Jacobellis, Neeraja J. Yadwadkar
通过线性探测和生成概率分析，揭示微调LLMs在经典规划中的世界模型恢复能力。
Patrick Emami, Nan Qiang, Peter Graf
VidMsg基准测试评估短视频中的隐含信息理解，使用VidVec-Msg方法提升检索性能。
Issar Tzachor, Michael Green, Rami Ben-Ari
本文提出基于平衡传播（EP）训练预测编码网络（PCN），在ImageNet上实现10层卷积模型，达13.23% Top-5误差，接近反向传播（12.2%）。
Tugdual Kerjan, Rasmus Høier, Benjamin Scellier
EvoMemNav构建自我演化的细粒度记忆图，提升零样本 embodied navigation性能。
Zuhao Ge, Xiaosong Jia, Chao Wu 等
Flicker-DDPM通过引入1/f彩色噪声，实现了3.33倍采样加速，同时提升了生成质量。
KeXiang Mao, FanCheng Li
OpenEAI-Platform结合低成本机械臂和VLA模型，成功率媲美大规模预训练基线。
Jinyuan Zhang, Luoyi Fan, Leiyu Wang 等