提出SEGALE，扩展长文档机器翻译评估，处理任意长度文本，显著优于现有方案。
Kuang-Da Wang, Shuoyang Ding, Chao-Han Huck Yang 等
SPFSplatV2实现了从稀疏视图中高效的无姿态3D高斯点云生成，达到最先进的性能。
Ranran Huang, Krystian Mikolajczyk
提出两种基于核的方法用于学习哈密顿系统，显著提高数据效率并保持能量守恒。
Yasamin Jalalian, Mostafa Samir, Boumediene Hamzi 等
提出PTQTP，将大规模语言模型权重分解为双三值平面，实现无乘法推理，显著提升速度与效率。
He Xiao, Runming Yang, Qingyao Yang 等
提出基于立体声空间感知的端到端AVN框架，显著提升导航成功率。
Jia Li, Yinfeng Yu, Liejun Wang 等
提出CBSA，将注意力机制压缩为少数代表，兼具可解释性与线性复杂度。
Qishuai Wen, Zhiyuan Huang, Chun-Guang Li
提出端到端大规模语言模型（7B参数）用于组合优化，达成1.03-8.20%的最优差距。
Xia Jiang, Yaoxin Wu, Minshuo Li 等
使用对比学习BERT模型去重Lakh MIDI数据集，过滤掉至少38,134个样本。
Eunjin Choi, Hyerin Kim, Jiwoo Ryu 等
提出SCAN：自我去噪蒙特卡洛注释，提升过程奖励模型性能，成本仅为传统的6%。
Yuyang Ding, Xinyu Shi, Juntao Li 等
提出LLM代理的泛化定义，采用层级域任务体系，评估指标及提升策略，强调框架与实体的关系。
Minxing Zhang, Yi Yang, Roy Xie 等
通过引入情景记忆，提升机器学习系统的泛化能力，尤其在语言模型的逆转诅咒问题上。
Andrew Kyle Lampinen, Martin Engelcke, Yuxuan Li 等
DiffusionNFT通过正负样本对比，基于流匹配在正向过程优化扩散模型，提升效率至25倍。
Kaiwen Zheng, Huayu Chen, Haotian Ye 等
提出一种自监督深度估计方法，利用混合分布提高边界清晰度，边界清晰度提升35%。
Aurélien Cecille, Stefan Duffner, Franck Davoine 等
LiteLong通过结构化主题组织和多智能体辩论，资源高效生成长文本训练数据。
Junlong Jia, Xing Wu, Chaochen Gao 等
ScaleCUA利用跨平台数据训练大规模GUI理解模型，提升多系统操作能力。
Zhaoyang Liu, Jingjing Xie, Zichen Ding 等
TextMineX通过本体引导的LLM管道提高人道主义排雷领域文本知识提取准确性44.2%。
Chenyue Zhou, Gürkan Solmaz, Flavio Cirillo 等
提出基于任务图的多机器人任务分配算法，结合优先关系与在线重规划，提升复杂任务执行效率。
Walker Gosrich, Saurav Agarwal, Kashish Garg 等
本文提出基于大语言模型的自动建模与优化方法，显著提升复杂运筹问题的自动化水平。
Yang Wang, Kai Li
提出GenExam，涵盖10学科的多学科文本到图像基准，结合细粒度评分与真实图像。
Zhaokai Wang, Penghao Yin, Xiangyu Zhao 等
ShinkaEvolve利用父代采样、新颖性拒绝采样和多臂Bandit策略，实现样本高效的开源程序进化，解决传统方法样本低效问题。
Robert Tjarko Lange, Yuki Imajuku, Edoardo Cetin