提出TTF-VLA，通过像素差异和注意力机制实现无训练的时序特征融合，提升机器人操控任务性能。

Chenghao Liu, Jiachen Zhang, Chengxuan Li 等

CHORD框架通过动态加权结合SFT和RL，提升LLMs性能。

Wenhao Zhang, Yuexiang Xie, Yuchang Sun 等

提出基于离散时间线性因果模型的潜在子过程识别方法，适用于复杂网络中的Hawkes过程。

Songyao Jin, Biwei Huang

提出了锥形Gromov-Wasserstein距离(CGW)，用于不平衡度量网络和超网络的比较，具有鲁棒性和可扩展性。

Mary Chriselda Antony Oliver, Emmanuel Hartman, Tom Needham

TexVerse提供1.6M高分辨率3D模型，填补纹理生成数据集空白。

Yibo Zhang, Li Zhang, Rui Ma 等

UI-Venus通过RFT在UI定位和导航任务上取得SOTA表现。

Zhangxuan Gu, Zhengwen Zeng, Zhenyu Xu 等

综述以三维分类统一解析Memory-Augmented Transformers，但未报告新的数据集或量化基准。

Parsa Omidi, Xingshuai Huang, Axel Laborieux 等

提出Pass@k训练方法，利用分析导出优势函数，有效提升大模型探索能力，实验显示优于传统Pass@1训练。

Zhipeng Chen, Xiaobo Qin, Youbin Wu 等

STEP方法通过课程学习提升对话推荐的语义融合和精度。

Zhenye Yang, Jinpeng Chen, Huan Li 等

提出Πnet，通过正交投影层确保神经网络满足凸约束，训练速度快，效果优异。

Panagiotis D. Grontas, Antonio Terpin, Efe C. Balta 等

通过外部工具提升多模态LLM性能，分析四个关键维度。

Wenbin An, Jiahao Nie, Yaqiang Wu 等

提出ProxyRL-FRS，结合ProxyNCF和强化学习优化客户端选择，提升推荐模型性能。

Liang Qu, Jianxin Li, Wei Yuan 等

采用Mistral 7B和mT5模型，创新性地提升捷克语现代与历史文本摘要性能，建立新基准。

Václav Tran, Jakub Šmíd, Jiří Martínek 等

Echo-4o利用GPT-4o合成图像提升图像生成，显著提高多基准性能。

Junyan Ye, Dongzhi Jiang, Zihao Wang 等

提出Noise Hypernetwork，利用奖励偏置噪声调制，减少测试时优化成本，提升扩散模型生成质量。

Luca Eyring, Shyamgopal Karthik, Alexey Dosovitskiy 等

提出STREAM标准，增强ChemBio模型评估报告的透明度，包含23位专家意见。

Tegan McCaslin, Jide Alaga, Samira Nedungadi 等

提出条件扩散模型的非渐近收敛界，结合预训练模型实现精确条件分布逼近。

Mengze Li

提出M3-Agent框架，结合长时记忆实现多模态环境理解，性能优于基线模型。

Lin Long, Yichen He, Wentao Ye 等

CitySeg通过局部-全局交叉注意力网络和层次分类策略，实现城市级点云的开放词汇语义分割和零样本推理。

Jialei Xu, Zizhuang Wei, Weikang You 等

OpenCUA通过跨OS数据采集和反思长链推理，提升CUA性能，成功实现45%成功率。

Xinyuan Wang, Bowen Wang, Dunjie Lu 等