提出T-MEX评分评估CRL中的因果表示，基于测量模型框架。
Dingling Yao, Shimeng Huang, Riccardo Cadei 等
提出FSDrive，利用视觉时空链式推理实现自主驾驶中的未来场景预测与轨迹规划。
Shuang Zeng, Xinyuan Chang, Mengwei Xie 等
提出OphNet-3D，基于多视角RGB-D实现眼科手术中手与器械的动态3D重建，达成手势误差2mm，交互误差23%。
Ming Hu, Zhengdi Yu, Feilong Tang 等
提出QwenLong-L1，通过渐进式上下文扩展和强化学习实现长文本推理，超越现有模型。
Fanqi Wan, Weizhou Shen, Shengyi Liao 等
提出Agent Distillation，将LLM代理行为迁移到小模型，结合检索与代码工具，显著提升模型性能。
Minki Kang, Jongwon Jeong, Seanie Lee 等
提出AMRIV，基于非合规性条件的自适应工具变量估计，达成半参数效率界。
Miruna Oprescu, Brian M Cho, Nathan Kallus
Direct3D-S2通过空间稀疏注意力机制实现了高效的3D生成，训练速度提升显著。
Shuang Wu, Youtian Lin, Feihu Zhang 等
提出了一种名为价值引导搜索(VGS)的方法，通过2.5百万推理轨迹训练的1.5B值模型，提高了长上下文推理的效率。
Kaiwen Wang, Jin Peng Zhou, Jonathan Chang 等
层级压缩-表达现象揭示ICL中任务信息的捕获与生成机制。
Jiachen Jiang, Yuxin Dong, Jinxin Zhou 等
CrossLMM通过双重交叉注意机制显著压缩长视频序列，性能几乎不变。
Shilin Yan, Jiaming Han, Joey Tsai 等
RIPT-VLA通过强化学习微调预训练VLA模型，单示范提升成功率至97.5%。
Shuhan Tan, Kairan Dou, Yue Zhao 等
提出TON框架，通过思考丢弃策略实现视觉-语言模型的选择性推理，显著减少90%的推理长度。
Jiaqi Wang, Kevin Qinghong Lin, James Cheng 等
提出Capped Squared Loss，以O(dξ²cmax⁴/ε⁸δ²)样本学习上下文分布。
Anna Heuser, Thomas Kesselheim
DeepRec通过LLM和TRM多轮交互深度探索物品空间，显著提高推荐性能。
Bowen Zheng, Xiaolei Wang, Enze Liu 等
KRIS-Bench基于教育认知理论，评估模型在知识推理中的表现，涵盖22任务和7推理维度。
Yongliang Wu, Zonghui Li, Xinting Hu 等
提出OneDC，一步扩散图像压缩，结合语义蒸馏，压缩比降低39%，解码速度提升20倍。
Naifu Xue, Zhaoyang Jia, Jiahao Li 等
ToDi通过动态结合FKL与RKL实现逐词细粒度知识蒸馏，显著提升LLM性能。
Seongryong Jung, Suwan Yoon, DongGeon Kim 等
Think-RM通过建模内在思考过程，实现长远推理，超越传统GenRM，提升8%性能。
Ilgee Hong, Changlong Yu, Liang Qiu 等
IRONIC框架通过多模态连贯关系实现零样本讽刺检测，取得了最先进的性能。
Aashish Anantha Ramakrishnan, Aadarsh Anantha Ramakrishnan, Dongwon Lee
通过轻量级微调探测概念擦除方法的可逆性，发现现有方法仅实现表面抑制。
Ping Liu, Chi Zhang