Graph Continual Learning (GCL) aims to solve the challenges of streaming graph data. However, current methods often depend on replay-based strategies, which raise concerns like memory limits and priva

Jingtao Liu, Xinming Zhang

通过分析40,285个技能，研究Claude技能如何扩展大语言模型功能。

George Ling, Shanshan Zhong, Richard Huang

提出OGPSA，通过正交投影缓解LLM安全对齐中的能力退化问题，提升安全-效用平衡。

Guanglong Sun, Siyuan Zhang, Liyuan Wang 等

rePIRL通过逆向强化学习学习过程奖励模型，提升LLM推理能力。

Xian Wu, Kaijie Zhu, Ying Zhang 等

提出可学习的Chernoff基线（LCBs）用于推理时模型对齐，显著减少查询次数，保证总变差误差。

Sunil Madhow, Yuchen Liang, Ness Shroff 等

ViCA通过视觉单向交叉注意，减少视觉计算至4%，保持98%准确率，显著提升效率。

Wenjie Liu, Hao Wu, Xin Qiu 等

提出Epistemic Ledger评估搜索代理的多约束推理，显著降低虚假完成率。

Dayoon Ko, Jihyuk Kim, Sohyeon Kim 等

提出ZoomDet，通过偏移预测和边界框变换实现无人机图像目标的自适应变焦，提升8.4% mAP。

Tao Wang, Chenyu Lin, Chenwei Tang 等

ShaPO通过选择性几何控制提高LLM安全对齐的稳健性，在多个基准上表现优异。

Yonghui Yang, Wenjian Tao, Jilong Liu 等

RuleFlow通过三阶段机制，将LLMs发现的程序优化转化为可重用规则，提升Pandas性能达4.3倍。

Avaljot Singh, Dushyant Bharadwaj, Stefanos Baziotis 等

ANCHOR利用分支点扩展生成桌面GUI任务轨迹，显著提升模型性能。

Jinbiao Wei, Yilun Zhao, Kangqi Ni 等

提出PlugMem，一种任务无关的插件式记忆模块，通过知识图谱结构提升长远记忆效率，超越任务特定方案。

Ke Yang, Zixi Chen, Xuan He 等

VenusBench-Mobile通过用户意图驱动的任务设计和能力导向的注释方案评估移动GUI代理，揭示当前代理在真实环境中的不足。

Yichen Gong, Zhuohan Cai, Sunhao Dai 等

基于热力学熵生产率，提出两种离散扩散模型采样调度：EDS和WDS，显著提升生成效率。

Alberto Foresti, Mustapha Bounoua, Giulio Franzese 等

SNIP、Wanda、SafeNeuron与NLSR的IoU仅0.01–0.72，未发现稳定、数据集无关的安全区域。

Zongmin Li, Jian Su, Farah Benamara 等

提出软前向-后向算法（Soft FB），实现零样本RL中通用效用的最大熵策略检索与优化。

Marco Bagatella, Thomas Rupf, Georg Martius 等

提出了一种整数线性规划方法，用于几何一致的部分-部分形状匹配，显著提高了匹配精度。

Viktoria Ehm, Paul Roetzer, Florian Bernard 等

提出TokenMixer-Large，通过引入混合-还原操作和稀疏MoE，实现参数扩展至15亿，显著提升工业推荐模型性能。

Yuchen Jiang, Jie Zhu, Xintian Han 等

DriveWorld-VLA通过在潜在空间中融合VLA与世界模型，实现自主驾驶的场景预测与决策，达成91.3 PDMS。

Feiyang jia, Lin Liu, Ziying Song 等

AgentCPM-Explore通过参数融合、奖励信号去噪和上下文优化，在4B模型中实现97.09% GAIA任务准确率。

Haotian Chen, Xin Cong, Shengda Fan 等