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
MATCHA利用对比学习实现语义匹配，提升18%以上的准确率。
Siran Li, Ece Sena Etoglu, Carsten Eickhoff 等
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
引入ENPMR-Bench，评估基于马斯洛需求的主动记忆检索在情感支持中的效果，表现不足，提出未来改进方向。
Xing Fu, Yulin Hu, Mengtong Ji 等
ReMoE通过路由器微调提升专家重用率，在内存受限的MoE推理中提高26%重用率。
Xiongwei Zhu, Xiaojian Liao, Tianyang Jiang 等
BhashaSetu通过语料库去重提升低资源翻译质量，减少1.17 BLEU和2.21 chrF++。
Param Thakkar, Anushka Yadav, Michael Tiemann 等
提出一种因果表示学习方法，提升推荐系统的分布泛化能力，在Spotify上实现显著用户参与度提升。
Yorgos Felekis, Michael O'Riordan, Oriol Corcoll 等
论文以对称注意力分解和Hopfield稳定性指标解释并调控扩散模型的保真度—多样性权衡。
Hyunmin Cho, Woo Kyoung Han, Kyong Hwan Jin
提出Token可教性指标，优化On-Policy蒸馏中的关键位置选择，显著提升性能。
Yuanyi Wang, Su Lu, Yanggan Gu 等
提出基于行为克隆的科学数据标注框架，模拟专家导航、修正策略，揭示技能层级和模型规模效应。
Ishaan Singh Chandok, Core Francisco Park
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
SurfaceLoRA方法减少LLM导出向量中的敏感信息推断风险，同时保持摘要性能。
Weixin Liu, Bowen Qu, Juming Xiong 等
HydraPrompt通过动态调整类别中心，结合样本自适应提示和对比学习，实现对合成图像的高效检测。
Senyuan Shi, Hao Tan, Zichang Tan 等