研究发现，使用LLM辅助编程缩短了创意生成时间，但减少了创造性时刻。
Zeinabsadat Saghi, Run Huang, Souti Chattopadhyay
提出尺度敏感的碎裂理论，证明其与学习性和评估性等价，突破2倍尺度差异限制。
Shashaank Aiyer, Yishay Mansour, Shay Moran 等
使用nonconform包在Python中实现保序异常检测，提供统计校准的p值。
Oliver Hennhöfer, Maximilian Kirsch, Christine Preisach
扩展神经后验估计（NPE）以支持混合离散连续参数空间，结合自回归分类器与生成模型实现高效推断。
Jan Boelts, Cornelius Schröder, Jonas Beck 等
CUBic通过共享编码实现双臂感知与控制的协调，显著提升任务成功率。
Xingyu Wang, Pengxiang Ding, Jingkai Xu 等
提出SIAA灰盒攻击，利用预训练ViT特征空间成功误导深度伪造检测器，成功率接近白盒。
Chiara Musso, Joy Battocchio, Andrea Montibeller 等
使用深度学习模型预测心电图，R2达到0.949，减少结构不确定性。
Shaheim Ogbomo-Harmitt, Cesare Magnetti, Jakub Grzelak 等
提出VH-CBM，结合VLM与少量专家标注，通过高斯过程提升概念准确性与校准。
Nicola Debole, Andrea Passerini, Stefano Teso 等
D-VLA框架通过“平面解耦”和四线程异步管道显著提升VLA模型的采样效率和吞吐量。
Yucheng Guo, Yongjian Guo, Zhong Guan 等
N-vium通过多出口混合变压器实现57.9%的推理加速，无损困惑度。
Aleksander Lorenc, Frédéric Berdoz, Joël Mathys 等
提出Exact Linear Attention（ELA），通过核函数分解实现线性复杂度，消除近似误差，提升长序列处理效率。
Weinuo Ou
OCH3R采用Transformer实现单图多目标3D重建，速度快、精度高。
Yi Du, Yang You, Xiang Wan 等
CiteVQA通过严格归属准确性评估多模态大语言模型的证据归属能力，揭示答案仅评估的可靠性差距。
Dongsheng Ma, Jiayu Li, Zhengren Wang 等
提出五层MLOps架构，支持自动驾驶车辆集体学习与安全保障。
Bastian Lampe, Lutz Eckstein
提出BenchJack自动检测奖励黑客，识别8类设计缺陷，提升基准鲁棒性。
Hao Wang, Hanchen Li, Qiuyang Mang 等
提出多轮次策略蒸馏（MOPD），利用同行成功与失败轨迹提升模型性能。
Weichen Yu, Xiaomin Li, Yizhou Zhao 等
提出CRAFT，通过临床奖励微调提升医学图像合成的临床对齐性，显著改善低对齐样本比例。
Yunsung Chung, Alex El Darzi, Carlo El Khoury 等
CUActSpot基准测试通过数据合成和多模态评估提升GUI复杂交互性能，Phi-Ground-Any-4B模型表现优异。
Miaosen Zhang, Xiaohan Zhao, Zhihong Tan 等
SenseNova-U1通过NEO-unify架构统一多模态理解与生成，提升视觉-语言模型性能。
Haiwen Diao, Penghao Wu, Hanming Deng 等
CausalCine通过因果自回归框架实现实时多镜头视频生成，显著提升了跨镜头一致性和交互性。
Yihao Meng, Zichen Liu, Hao Ouyang 等