MTAR框架通过多令牌预测和语义丢弃在ImageNet上实现了高效的自回归图像生成，FID降低0.95。
Guo Niu, Xiongfei Yao, Teng Wang 等
APT通过注意力概率引导的剪枝和量化大幅加速扩散Transformer，能实现最高8.16倍加速和14.98倍能效提升。
Sungyeob Yoo, Seeyeon Kim, Joonyong Park 等
ProViP通过头部感知剪枝提高视觉语言模型推理效率，保留95.9%性能，提升1.62倍速度。
Chaofang Ma, Lin Jiang, Carol Jingyi Li 等
V-Link恢复Action DiT视觉信息，LIBERO-Plus提升31.2%，RoboTwin 2.0提升18.8%。
Yehao Lu, Jiarui Yang, Yuning Su 等
提出BERGM Elastic Net，结合贝叶斯正则化与网络统计，解决ERGMs中高相关性与稀疏性问题。
Dan Han, Vicki Modisette, Ting Li 等
提出多目标强化学习的MO-IKE，提升LLM知识编辑的可靠性（92%）和保持率（63.4%），同时兼顾广泛性和特异性。
Xuzhong Wang, Maiqi Jiang, Tejal Nair 等
提出一种资源感知共识控制理论方法，确保多智能体系统在有限资源下达成共识。
James Flagg, Esteban A. Hernandez-Vargas
利用非对称随机游走分析多变量奥恩斯坦-乌伦贝克过程中的熵产生率，揭示平方根定律的普适性。
Thiparat Chotibut, Ewa Gudowska-Nowak, Maciej A. Nowak
LAWA通过潜在动作表达未来意图，提升机器人未来想象效率，成功实现65.6%成功率。
Xiang Li, Yupeng Zheng, Songen Gu 等
提出统一框架分析智能眼镜的感知、状态与行动循环，涵盖八大硬件能力轴。
Jiangning Zhang, Haojun Chen, Yong Liu
SPO++通过标准化终点优势和事件时间记忆，提升异步强化学习效率，超越SPO。
Kai Ruan, Jinghao Lin, Qianshan Wei 等
提出Bellman校准方法，利用单维单调变换减少离线强化学习中的占用比偏差。
Lars van der Laan, Nathan Kallus
引入基于强化学习的决策生成可信度模型，揭示社交信息中信任的动态演变。
Gabriel Bontemps, Abhishek Banerjee
提出FedV-KGQA，支持多跳推理的垂直分割知识图问答框架，保持近似集中性能。
Md Saikat Islam Khan Bappy, Oshani Seneviratne
LAION-BVD为10百万小时开放视频数据集，支持多模态预训练，包含1.3B视频URL与55M剪辑。
Andreas Hochlehnert, Marianna Nezhurina, Mehdi Cherti 等
提出CES-PK框架，通过轻量符号约束提升LLM在不完整知识图中的答案验证效果。
Emanuel Kitzelmann
提出几何框架分析邻域公平审计的鲁棒性，验证邻域结构稳定性与扰动关系。
Binita Maity
ELR（有效学习率）主导语言模型预训练中的损失动态，匹配ELR实现轨迹崩溃。
Zihan Liu, Ruiheng Zheng, Shaobo Zhang 等
引入FrontierChallenge，评估跨域科学工作流的完整性，最佳模型完成率仅20.6%。
Liangcai Su, Zhaopeng Feng, Zhuo Chen 等
StarHarness通过分层搜索在企业环境中演化固定模型权重的任务调度框架，提升性能20-35个百分点。
Esakkivel Esakkiraja, Denis Akhiyarov, Vikas Yadav 等