本文提出“Disagreeing Rationales”框架，系统分析多样标注与解释在仇恨言论检测中的影响，强调软标签和软理据的优势。
Benedetta Muscato, Beiduo Chen, Gizem Gezici 等
本文提出TxFM，一种基于掩码自编码的转录组表达学习模型，在1.4M数据集上训练，显著优于大规模基础模型。
Kian Kenyon-Dean, Alina Selega, Ihab Bendidi 等
提出基于函数对应的“功能注意力”机制，解决连续场离散化问题，在PDE、3D分割等任务中表现优异。
Jiefang Xiao, Maolin Gao, Simon Weber 等
研究发现CLIP模型在概念绑定上存在复杂性问题，新模型通过乘法交互实现低复杂度绑定。
Arnas Uselis, Darina Koishigarina, Seong Joon Oh
提出两种基于滚动窗口控制的OPD策略：逐步扩展和截断，显著提升长序列推理训练效率。
Yaocheng Zhang, Jiajun Chai, Yuqian Fu 等
利用空间分辨的触觉皮肤，通过深度强化学习实现多指机器人手对小物体的受控分离，成功实现模拟到实物的迁移。
Ulf Kasolowsky, Berthold Bäuml
BenHalluEval框架评估Bengali语言模型幻觉，BenHalluScore从7.72%到55.42%。
Shefayat E Shams Adib, Ahmed Alfey Sani, Ekramul Alam Esham 等
IDOL通过逆动力学引导未来场景预测，将潜在BEV状态转化为运动特征，显著提升自主驾驶规划性能。
Chenghao Zhang, Timin Li, Dongmei Li
VolFill利用变分扩散模型从单视图RGB图像重建完整场景的3D几何，采用TUDF网格压缩和结构化表面提取。
Tuan Duc Ngo, Chuang Gan, Evangelos Kalogerakis
REIS框架结合轻量场景门控与KV引导推理，显著减少机器人推理冗余，提升实时决策效率。
Joonhee Lee, Hyunseung Shin, Hyunmi Kim 等
提出结合人工时延估计与障碍Lyapunov函数的自适应控制框架，有效应对Euler-Lagrange机器人中的状态依赖不确定性与时变约束。
Saksham Gupta, Rishabh Dev Yadav, Sarthak Mishra 等
提出结合最大最小准则与约束的多目标强化学习框架，验证收敛性与实用性。
Giseung Park, Hyunyoung Nam, Woohyeon Byeon 等
本研究提出多轮多智能体对话框架，利用视觉语言模型（VLM）在空间推理任务中的表现，发现其提升有限，主要受限于视觉空间地面化能力。
Chalamalasetti Kranti, Sherzod Hakimov, David Schlangen
提出基于忆阻器的模拟突触-神经元集成的SNN加速器，能耗降低12.7倍，延迟减少1.26倍，适用于实时边缘智能。
Qianhou Qu, Sheng Lu, Liuting Shang 等
提出线性递归记忆单元（ALF）在部分可观测强化学习中的理论基础，构建两类线性滤波器实现对信念状态的精确重建。
Yike Zhao, Onno Eberhard, Malek Khammassi 等
提出固定点掩码生成模型（FP-MGMs），通过共享注意力层的固定点求解器实现自适应深度，显著降低参数和训练成本。
Andrea Miele, Yiming Qin, Alba Carballo-Castro 等
HyBIRD使用双曲几何桥接方法实现方法灵感检索，取得59.034 mAP。
Yang Yang, Boyun Xu, Hao Fu 等
引入神经Token重建（NTR）框架，通过 masked latent reconstruction 改善端到端自主驾驶中的场景Token瓶颈，提升性能。
Jiahui Li, Jiawei Sun, Zixiang Ren 等
机器学习无模型信号发现方法，提升新现象探索潜力。
Oz Amram, Marco Letizia, Mikael Kuusela
iVGR通过强化学习将视觉定位能力内化到文本推理中，显著提升MLLMs性能。
Chang-Bin Zhang, Yujie Zhong, Qiang Zhang 等