提出SAMRec，通过损失景观平滑提升Transformer在序列推荐中的性能，无需自监督学习。
Vivian Lai, Huiyuan Chen, Chin-Chia Michael Yeh 等
基于AutoMage的ChatEDA实现RTL到GDSII的自动化，显著提升EDA流程效率。
Zhuolun He, Haoyuan Wu, Xinyun Zhang 等
ExpeL通过自然语言学习经验，无需参数更新，提升LLM决策能力。
Andrew Zhao, Daniel Huang, Quentin Xu 等
论文提出带误差Hessian的Newton-MR，在任意近似度下仍获PL线性或一般非凸次线性保证。
Alexander Lim, Fred Roosta
提出Point Prompt Training（PPT）框架，结合Prompt驱动归一化与语言引导类别对齐，解决多数据集负迁移，实现3D大规模表示学习。
Xiaoyang Wu, Zhuotao Tian, Xin Wen 等
提出动态3D高斯模型，实现无匹配输入的全场景6自由度追踪与新视角合成。
Jonathon Luiten, Georgios Kopanas, Bastian Leibe 等
提出Graph of Thoughts（GoT）框架，通过图结构增强大模型推理能力，提升排序质量62%，降低成本31%。
Maciej Besta, Nils Blach, Ales Kubicek 等
提出RED-EVAL红队测试基准和STARLING安全对齐模型，利用Chain of Utterances提升LLM安全性，显著降低有害输出。
Rishabh Bhardwaj, Soujanya Poria
WizardMath结合Evol-Instruct和强化学习，显著提升大模型数学推理能力，超越多项开源和商业模型。
Haipeng Luo, Qingfeng Sun, Can Xu 等
AI-Hilbert利用多项式优化结合背景知识与实验数据，自动推导科学定律。
Ryan Cory-Wright, Cristina Cornelio, Sanjeeb Dash 等
提出EgoSchema，基于时间证书长度评估长视频理解，数据集超250小时，模型表现不足人类76%。
Karttikeya Mangalam, Raiymbek Akshulakov, Jitendra Malik
研究发现Transformer语言模型中的关系解码可通过线性变换近似。
Evan Hernandez, Arnab Sen Sharma, Tal Haklay 等
研究大语言模型在持续微调中的灾难性遗忘，发现BLOOMZ比mT0遗忘更少。
Yun Luo, Zhen Yang, Fandong Meng 等
提出MeViS数据集，利用运动表达实现视频目标分割，验证现有方法效果不足。
Henghui Ding, Chang Liu, Shuting He 等
提出LLM4TS，通过两阶段微调与多尺度聚合实现高效时间序列预测。
Ching Chang, Wei-Yao Wang, Wen-Chih Peng 等
提出双步归属框架BIGRec，结合微调与统计信息提升LLMs推荐性能，适应少样本与跨域场景。
Keqin Bao, Jizhi Zhang, Wenjie Wang 等
DGDFEM通过动态图神经网络解决延迟反馈问题，提升数据新鲜度和标签准确性。
Xiaolin Zheng, Zhongyu Wang, Chaochao Chen 等
A2Nav利用大模型实现零样本机器人导航，超越监督方法，成功率达22.6%。
Peihao Chen, Xinyu Sun, Hongyan Zhi 等
RAVEN模型结合检索增强的掩码和前缀语言建模，提升上下文学习能力。
Jie Huang, Wei Ping, Peng Xu 等
DREAMWALKER利用显式世界模型进行连续视觉-语言导航中的战略性“心智实验”，显著提升路径规划与解释性。
Hanqing Wang, Wei Liang, Luc Van Gool 等