Tac-Man通过触觉反馈实现无先验的复杂关节物体操控，显著提升鲁棒性。
Zihang Zhao, Yuyang Li, Wanlin Li 等
SceneCraft利用LLM将文本转为Blender脚本，支持多达百个3D资产的场景生成。
Ziniu Hu, Ahmet Iscen, Aashi Jain 等
LLaMoCo通过指令微调提升大模型在优化代码生成中的表现，利用对比学习增强收敛。
Zeyuan Ma, Hongshu Guo, Jiacheng Chen 等
本研究比较多种LLM多项选择预测方法，发现结果对评分方法敏感，影响研究可靠性。
Polina Tsvilodub, Hening Wang, Sharon Grosch 等
提出Selective Recurrent Unit（SRU）结合频率信息选择，显著提升立体匹配精度，KITTI等榜单排名第一。
Xianqi Wang, Gangwei Xu, Hao Jia 等
提出TempCompass基准，涵盖五大时间维度，评估8个SOTA视频大语言模型，发现其时间感知能力显著不足。
Yuanxin Liu, Shicheng Li, Yi Liu 等
提出艺术作品解释生成任务，LVLMs在语言和视觉信息整合上存在挑战。
Kazuki Hayashi, Yusuke Sakai, Hidetaka Kamigaito 等
RAG结合检索增强生成，提升AIGC的准确性与鲁棒性。
Penghao Zhao, Hailin Zhang, Qinhan Yu 等
提出好奇心驱动的红队方法CRT，利用探索新颖性提升LLM测试覆盖率，成功在LLaMA2模型中诱发毒性反应。
Zhang-Wei Hong, Idan Shenfeld, Tsun-Hsuan Wang 等
提出MATH()基准，揭示推理能力差距达58.35%至80.31%。
Saurabh Srivastava, Annarose M B, Anto P 等
ArCHer采用层级多轮RL，结合高低层价值函数，大幅提升LLM多轮任务效率。
Yifei Zhou, Andrea Zanette, Jiayi Pan 等
提出Lower-Left Partial AUC（LLPAUC）作为推荐系统优化指标，结合理论验证与实证验证，提升Top-K排名相关性能。
Wentao Shi, Chenxu Wang, Fuli Feng 等
ToolNet通过工具图连接大语言模型与海量工具，显著提升多跳工具学习数据集表现。
Xukun Liu, Zhiyuan Peng, Xiaoyuan Yi 等
提出了一种粗到细的可供性学习方法，显著降低点云噪声的影响。
Suhan Ling, Yian Wang, Shiguang Wu 等
CLLMs通过改进Jacobi解码实现2.4至3.4倍的生成速度提升，同时保持生成质量。
Siqi Kou, Lanxiang Hu, Zhezhi He 等
研究揭示XAI研究中的文化偏见，强调大多数研究未考虑文化差异。
Uwe Peters, Mary Carman
提出多模态手交接失败检测数据集，采用3D CNN和动作分割基线方法，结合视频、力矩和夹持器数据提升检测准确。
Santosh Thoduka, Nico Hochgeschwender, Juergen Gall 等
提出TedRec，通过傅里叶变换实现序列级文本ID语义融合，提升推荐性能，实验在五个公开数据集取得14%-38%的提升。
Lanling Xu, Zhen Tian, Bingqian Li 等
构建JAMA Clinical Challenge和Medbullets数据集，评估7个LLM在复杂医学问答上的表现。
Hanjie Chen, Zhouxiang Fang, Yash Singla 等
提出Zeroth-Order Diffusion Monte Carlo（ZOD-MC），无需梯度，适用于非对数凸分布，理论保证低维高效采样。
Ye He, Kevin Rojas, Molei Tao