使用Transformer的单变量骨架预测方法在多变量系统中表现优异，超越现有方法。
Giorgio Morales, John W. Sheppard
提出MedMNIST-C基准，通过模拟医学图像腐蚀增强模型鲁棒性，利用领域知识实现高效数据增强。
Francesco Di Salvo, Sebastian Doerrich, Christian Ledig
DriftLens是一种无监督实时概念漂移检测框架，检测准确率高达85%。
Salvatore Greco, Bartolomeo Vacchetti, Daniele Apiletti 等
提出GraphPipe，基于图结构的管道并行策略，显著提升大规模DNN训练性能。
Byungsoo Jeon, Mengdi Wu, Shiyi Cao 等
StableNormal通过降低扩散推理方差，实现高质量、稳定且锐利的法线估计，无需集成，适应复杂场景。
Chongjie Ye, Lingteng Qiu, Xiaodong Gu 等
提出Dreamitate，基于视频扩散模型实现机器人任务的泛化 visuomotor策略，显著优于行为克隆。
Junbang Liang, Ruoshi Liu, Ege Ozguroglu 等
提出Cambrian-1，基于视觉的多模态大模型，利用20余个视觉编码器，创新空间视觉聚合器（SVA），实现优异性能。
Shengbang Tong, Ellis Brown, Penghao Wu 等
提出可复用的RAG框架Ragnarök，结合MS MARCO V2.1，设立TREC 2024 RAG赛道，基线包括GPT-4o和Cohere Command R+。
Ronak Pradeep, Nandan Thakur, Sahel Sharifymoghaddam 等
揭示奖励模型、参数更新与上下文提示的互换性，构建六向变换的三角框架。
Deng Cai, Huayang Li, Tingchen Fu 等
DemoRank通过依赖感知的重排序提高大语言模型在排序任务中的示例选择效率，显著提升排名表现。
Wenhan Liu, Yutao Zhu, Zhicheng Dou
本研究评估LLMs在NLP论文评审中的表现，发现其在生成质量和识别缺陷方面存在局限。
Jiangshu Du, Yibo Wang, Wenting Zhao 等
提出Trace框架，将工作流优化转化为OPTO问题，结合LLMs实现自动参数更新，性能优于专用优化器。
Ching-An Cheng, Allen Nie, Adith Swaminathan
Logic-LM++通过多步改进提升符号推理准确性，平均提升18.5%。
Shashank Kirtania, Priyanshu Gupta, Arjun Radhakirshna
本研究提出通过相似性指标剪枝Transformer中的Attention层，实现48.4%的加速和2.4%的性能降。
Shwai He, Guoheng Sun, Zheyu Shen 等
FIRST方法通过单标记解码提高重排序效率，在BEIR基准上加速50%。
Revanth Gangi Reddy, JaeHyeok Doo, Yifei Xu 等
提出PE-Rank，利用单一段落嵌入实现高效列表式重排序，显著提升速度。
Qi Liu, Bo Wang, Nan Wang 等
提出PKU-SafeRLHF数据集，分离帮助性与无害性标注，推动多层次安全对齐，涵盖19类危害与三等级严重性。
Jiaming Ji, Donghai Hong, Borong Zhang 等
SEC-QA框架生成金融领域多文档QA数据集，提升模型评估准确性。
Viet Dac Lai, Michael Krumdick, Charles Lovering 等
EVOAGENT利用演化算法自动生成多智能体系统，显著提升LLM在复杂任务中的表现。
Siyu Yuan, Kaitao Song, Jiangjie Chen 等
提出参数重分配技术，结合执行计划优化RLHF训练效率，提升至3.58倍速度。
Zhiyu Mei, Wei Fu, Kaiwei Li 等