DHAGrasp通过文本指导生成双手抓取，提升了未见物体的抓取质量。
Quanzhou Li, Zhonghua Wu, Jingbo Wang 等
提出多层次统一框架分析大模型幻觉，揭示数据偏差和机制影响。
Zhengyi Ho, Siyuan Liang, Dacheng Tao
DFS试错与GPT-2结合，在Sudoku和1-in-3 SAT上达99%准确率。
Panagiotis Giannoulis, Yorgos Pantis, Christos Tzamos
双线性表示缓解反转诅咒，实现一致的模型编辑。
Dong-Kyum Kim, Minsung Kim, Jea Kwon 等
利用EgoScaler从无标注的自我视频中提取6DoF物体轨迹，提升VLA预训练效果。
Tomoya Yoshida, Shuhei Kurita, Taichi Nishimura 等
提出LDAR，通过学习动态检索策略，有效平衡信息覆盖与干扰，提升知识问答性能。
Seongwoong Shim, Myunsoo Kim, Jae Hyeon Cho 等
D-Artemis框架在AndroidWorld上达成75.8%成功率，提升多模态大模型在GUI任务的能力。
Hongze Mi, Yibo Feng, Wenjie Lu 等
提出ASIMOV-2.0基准，结合真实伤害报告和生成模型评估AI的物理安全感知与干预能力。
Abhishek Jindal, Dmitry Kalashnikov, R. Alex Hofer 等
提出Semantic F1评分，结合语义相似度实现模糊多标签评价，优于传统F1。
Georgios Chochlakis, Jackson Trager, Vedant Jhaveri 等
提出基于树搜索的群组相对策略优化（Tree-GRPO），显著提升多轮LLM代理任务的样本效率与监督粒度。
Yuxiang Ji, Ziyu Ma, Yong Wang 等
研究发现语言模型中的句法-领域虚假相关性，影响性能。
Chantal Shaib, Vinith M. Suriyakumar, Levent Sagun 等
引入视觉测试时刻缩放（VTTS）与迭代感知机制，提升多模态大模型推理能力，平均提升超5%。
Ziang Yan, Xinhao Li, Yinan He 等
MTRDrive结合记忆检索和工具交互，显著提升Corner Cases中的自主驾驶鲁棒性。
Ziang Luo, Kangan Qian, Jiahua Wang 等
提出Meta-Memory，通过语义与空间模态联合推理，提升机器人空间推理，在SpaceLocQA和NaVQA上显著优于SOTA。
Yufan Mao, Hanjing Ye, Wenlong Dong 等
RobotDancing通过残差动作强化学习实现稳健的长时人形机器人运动跟踪。
Zhenguo Sun, Yibo Peng, Yuan Meng 等
RuN框架通过残差策略实现自然人形机器人运动，速度范围0-2.5m/s，训练效率提升。
Qingpeng Li, Chengrui Zhu, Yanming Wu 等
提出SIL-C框架，利用双边懒学习实现技能与策略兼容，提升增量学习效率。
Daehee Lee, Dongsu Lee, TaeYoon Kwack 等
提出基于动态记忆和工具管理的高效本地AI代理，显著降低上下文开销。
Sanidhya Vijayvargiya, Rahul Lokesh
提出CR-PPO，用复杂度替代熵正则，增强鲁棒性与探索平衡。
Luca Serfilippi, Giorgio Franceschelli, Antonio Corradi 等
Seedream 4.0采用高效扩散变换器与VAE，提升高分辨率多模态生成性能。
Team Seedream, :, Yunpeng Chen 等