Agile-WAM通过多视角多模态预测提升机器人控制成功率29.4%，推理延迟仅11.9ms。
Hanchu Zhou, Brendan Lynch, Raman Goyal 等
提出预测驱动平滑(PP-S)和验证方法，提升AI系统分领域评估精度。
Sho Kawano, Zehang Richard Li, Paul A. Parker
OPTED通过无渲染教师进行端到端驾驶的策略微调，驾驶分数提高1.6倍和9.5倍。
Damiano Da Col, Maximilian Igl, Peter Karkus 等
dQwen3.5通过混合注意力机制在训练损失上比全注意力模型快一倍。
Anton Xue, Litu Rout, Aditya Akella 等
通过多尺度中间总结实现实例最优自适应位置估计，适用于所有对称单峰分布。
Qiaosen Wang, Chao Gao
MILER通过语义中层表示实现无结构环境下的零样本模拟到现实强化学习。
Thomas Steinecker, Denis Trescher, Alexander Bienemann 等
提出按需注意力(ODA)方法，显著减少全局读取，提升长上下文推理效率。
Haibo Feng, Ruiqi Liang, Hanyang Peng 等
提出了鲁棒的多任务主成分分析方法，优化特征空间估计，减少异常任务影响。
Dali Liu, Haolei Weng
提出一种结合目标深度估计和自适应模型融合预测控制的水下视觉目标跟踪方法，性能优于现有框架。
Yuheng Zhou, Haiyang Cheng, Yanqi Feng 等
ActObs方法通过监督观察改变RL中的探索，提升了Qwen3模型在Terminal-Bench 2.0上的表现。
Juzheng Zhang, Disha Makhija, Manoj Ghuhan Arivazhagan 等
MoWAM通过显式预测未来运动提高机器人策略学习效率，实验表明其在LIBERO数据集上表现优异。
Jiayu Wang, Bin Zhu, Yue Yu 等
利用预测碎片化控制测试时自适应，显著减少有害接受面积。
Lili Wang, Jing Li, Xiaowen Sun 等
使用OceanSim的合成数据生成管道提高海洋感知性能。
Haoyu Ma, Onur Bagoren, Anja Sheppard 等
通过DAGMA算法识别因果图，验证了在混合数据集上边缘方向的可识别性。
Sambit Mishra, Yingying Wang, Christine K. Johnson 等
研究TAP近似在球面线性模型中的精度，发现其误差在波动尺度以下。
Jingbo Liu, Zhiyuan Yu
CoFree框架通过两阶段方法解决LLM嵌入学习中的推理崩溃问题，提升了2.8 nDCG@10。
Zihan Gong, Xiaohan Ye, Jiangchao Yao 等
研究对比了三种扩散语言模型的并行性，发现高斯和均匀扩散在某些条件下更优。
Sitan Chen, Liye Wang
证明稀疏随机张量谱范数的集中不等式，去除对数因子。
Zhixin Zhou, Yizhe Zhu
通过事件日志的随机语言分析，发现并行行为无法区分，需记录活动时间等信息。
Antony R. Lee, Peter Tiňo, Iain B. Styles
OKSPCA结合随机特征和Adam更新，优化监督降维，实验显示在六个基准上表现依赖于管道选择。
Zhenlin Yao, Wei Xiong