DrivingScene采用静态-动态两阶段训练，利用残差流网络实现实时高质量动态场景重建。
Qirui Hou, Wenzhang Sun, Chang Zeng 等
SpikePool通过池化注意力实现事件驱动的尖峰变压器，训练时间减少42.5%，推理时间减少32.8%。
Donghyun Lee, Alex Sima, Yuhang Li 等
OneLife框架在Crafter-OO环境中通过无指导探索学习符号世界模型，超越基线。
Zaid Khan, Archiki Prasad, Elias Stengel-Eskin 等
通过奇异学习理论扩展最小描述长度原则，研究神经网络的可压缩性，发现局部学习系数与可压缩性密切相关。
Einar Urdshals, Edmund Lau, Jesse Hoogland 等
GAR通过对抗性强化学习提高定理证明效率，MiniF2F-Test上提升4.20%。
Ruida Wang, Jiarui Yao, Rui Pan 等
提出OneRec-Think，结合对话、推理与个性化推荐，利用多模态对齐和强化学习实现可解释性，提升工业部署性能。
Zhanyu Liu, Shiyao Wang, Xingmei Wang 等
EvoCAD结合视觉语言模型和进化优化生成CAD代码，显著提高拓扑正确性。
Tobias Preintner, Weixuan Yuan, Adrian König 等
DemoHLM通过单次模拟演示实现类人机器人广泛的运动操控，实验验证了其在十项任务中的鲁棒性。
Yuhui Fu, Feiyang Xie, Chaoyi Xu 等
ProofFlow通过依赖图实现Proof autoformalization，达成PROOFSCORE 0.545。
Rafael Cabral, Tuan Manh Do, Xuejun Yu 等
HatLLM以分层注意力掩码增强跨物品协同建模，平均提升9.13%。
Yu Cui, Feng Liu, Jiawei Chen 等
PaperArena构建跨论文多工具推理基准，平均准确率38.78%，难度高时降至18.47%。
Daoyu Wang, Mingyue Cheng, Shuo Yu 等
基于预测信息框架，提出衡量序列数据可学习性的理论模型，结合EvoRate和信息曲线分析数据结构。
Mario Morawski, Anais Despres, Rémi Rehm
提出一种新机器学习框架，识别自动驾驶中的角落案例，提升检测准确性。
Sebastian Schmidt, Julius Körner, Stephan Günnemann
X-VLA采用软提示Transformer，融合跨机器人平台数据，实现高效跨域适应，参数仅需微调。
Jinliang Zheng, Jianxiong Li, Zhihao Wang 等
通过扩散启发的掩码微调提高自回归LLM的知识注入效率，无需复述。
Xu Pan, Ely Hahami, Jingxuan Fan 等
DELTA通过层级选择机制提升长文本推理效率，速度提升1.54倍，保持或超越全注意力准确率。
Hossein Entezari Zarch, Lei Gao, Chaoyi Jiang 等
提出SIMBA UQ框架，利用样本相似性实现大模型不确定性量化，提升校准度。
Debarun Bhattacharjya, Balaji Ganesan, Junkyu Lee 等
提出FIPER框架，利用随机网络蒸馏和动作块熵实现无失败数据的机器人生成策略早期故障预测，显著优于现有方法。
Ralf Römer, Adrian Kobras, Luca Worbis 等
提出一种无需真实图像的实例级生成方法，显著提升多领域ILR性能。
Yankun Wu, Zakaria Laskar, Giorgos Kordopatis-Zilos 等
提出层次语义强化学习（HSRL），通过固定语义空间解决推荐系统中的动态大规模动作空间问题。
Minmao Wang, Xingchen Liu, Shijie Yi 等