提出STARE（Surprisal-guided Token-level Advantage Reweighting），通过比率调节确保策略熵稳定，在1.5B到32B模型上提升准确率4%-8%。

Haipeng Luo, Qingfeng Sun, Songli Wu 等

提出基于LLM的零样本主动特征获取框架，利用最大熵闭包解决判别统计的标度模糊，显著提升IBD患者诊断准确率。

Binyamin Perets, Natalie Mendelson, Shiran Vainberg 等

提出UniAR，采用单一离散视觉标记器实现视觉理解与生成的统一，显著提升图像生成与编辑性能。

Wujian Peng, Lingchen Meng, Yuxuan Cai 等

提出VERITAS框架，通过推理时验证提升机器人策略性能，无需额外训练，验证提升成功率达10%。

Mingtong Zhang, Dhruv Shah

提出EventDrive，结合事件相机与视觉-语言模型，提升自动驾驶中的感知、理解、预测与规划能力。

Dongyue Lu, Rong Li, Ao Liang 等

提出循环世界模型（LoopWM），通过参数共享的变换器迭代优化潜在状态，提升参数效率达100倍，适应复杂预测需求。

Hongyuan Adam Lu, Z. L. Victor Wei, Qun Zhang 等

RubricsTree构建了基于专家对100+临床验证布尔评分的层级分类体系，用于大规模、可演化的个人健康AI评估，显著优于行业基线。

Weizhi Zhang, Zechen Li, Hamid Palangi 等

提出DRFLOW基准，结合7项指标评估个性化深度研究工作流预测，涵盖100任务和1246步骤。

Md Tawkat Islam Khondaker, Raymond Li, Muhammad Abdul-Mageed 等

构建包含870会话、2.3百万事件的多源日志数据集，标注基于ATT&CK技术，利用LoRA微调三款小型语言模型提升检测性能。

Abir Ashab Niloy, Ahmed Ryan, Imamul Hossain Rafi 等

引入Kolmogorov偏微分方程，提升扩散策略的鲁棒性，实验证明在推挤操控和制造线应用中性能显著改善。

Lekan Molu

提出基于轻量脉冲神经网络的声事件检测触发器，F1达0.97，显著降低计算复杂度42.6倍。

Benjamin Hatton, Oliver Rhodes, Luca Peres

本研究提出RecLoop框架，比较生成式推荐与传统推荐在信息茧房中的表现，发现生成式推荐在曝光多样性方面表现优越，但仍受反馈循环影响。

Jiyuan Yang, Gengxin Sun, Mengqi Zhang 等

本研究基于MetaSyn数据集，评估12种LLM管道在自然出版物元分析中的表现，揭示筛选瓶颈，最大召回率90.9%，实际检索覆盖不足52.7%。

Anzhe Xie, Weihang Su, Yujia Zhou 等

R2RDreamer通过3D感知数据增强，提升二维操控策略的空间泛化能力，利用2D视频空间的视觉补全实现高效仿真增强。

Xiuwei Xu, Haowen Sun, Angyuan Ma 等

提出Qwen-RobotWorld，基于双流MMDiT和大规模动作-语言映射，利用8.6M视频文本数据实现跨场景机器人模拟，性能优越。

Jie Zhang, Xiaoyue Chen, Anzhe Chen 等

MeshLoom是一种基于前馈神经网络的非刚性网格序列配准方法，能在秒级完成多帧Mesh的高精度变形重建。

Jianqi Chen, Jiraphon Yenphraphai, Xiangjun Tang 等

利用Kendall形状空间和Riemannian几何构建形状分析框架，揭示生物形态变异的内在结构。

Gary P. T. Choi, Khanh Dao Duc, Shira Faigenbaum-Golovin 等

TuneJury是一种基于成对偏好预测的音乐生成奖励模型，在17.5K人类偏好对上训练，准确率达0.7086，显著优于无伪标签模型。

Yonghyun Kim, Junwon Lee, Haiwen Xia 等

提出随机排序风险的理论框架，基于DCG变化分析最坏情况偏差，验证实验显示预测偏差与实际接近。

Debasis Ganguly

提出基于深度学习优化的被动色散光学网络，实现625通道400-750nm范围内的二维波束偏转，定位精度亚波长。

Che-Yung Shen, Yuhang Li, Cagatay Isil 等