本研究比较FNO、ResNet和U-Net在多尺度流体动力学PDE建模中的性能，展现单模型泛化能力。
Jayesh K. Gupta, Johannes Brandstetter
提出基于随机插值器的连续时间正则化流模型，优化路径长度，提升生成效率，超越传统方法。
Michael S. Albergo, Eric Vanden-Eijnden
ASPiRe通过自适应技能先验加速强化学习，显著提高学习效率。
Mengda Xu, Manuela Veloso, Shuran Song
提出“上下文蒸馏”方法，通过合成无标签数据实现模型内部化任务指令、推理步骤和示例，显著提升模型性能。
Charlie Snell, Dan Klein, Ruiqi Zhong
LiMBeR方法通过线性映射将图像特征转化为文本提示，提升视觉问答性能。
Jack Merullo, Louis Castricato, Carsten Eickhoff 等
提出量化伤害的新定义，结合因果模型和决策理论，评估单人和社会层面伤害。
Sander Beckers, Hana Chockler, Joseph Y. Halpern
Spotlight模型通过视觉语言结合实现移动UI理解，超越现有方法。
Gang Li, Yang Li
本文证明两层神经网络利用SGD训练时，第一层权重收敛到由目标模型的k维主成分子空间，且可实现低维特征学习。
Alireza Mousavi-Hosseini, Sejun Park, Manuela Girotti 等
提出DINOSAUR，通过自监督特征重建实现无监督对象表示，优于现有模型，能扩展到COCO等真实数据。
Maximilian Seitzer, Max Horn, Andrii Zadaianchuk 等
Spikformer结合脉冲神经网络与Transformer，在ImageNet上以4个时间步实现74.81%准确率。
Zhaokun Zhou, Yuesheng Zhu, Chao He 等
Make-A-Video方法将文本转为视频，利用文本图像数据和无监督视频数据。
Uriel Singer, Adam Polyak, Thomas Hayes 等
DiGress采用离散扩散模型，成功生成具有类别属性的图，显著提升分子生成的有效性和多样性。
Clement Vignac, Igor Krawczuk, Antoine Siraudin 等
通过线性估计方法优化全局平均处理效应估计，提出IPW和OLS方法，提升22%消费效果估计。
Stefan Faridani, Paul Niehaus
提出了一种名为STCAT的单阶段框架，在VidSTG和HC-STVG数据集上实现了显著性能提升。
Yang Jin, Yongzhi Li, Zehuan Yuan 等
结合计算图完成与数据自适应核，单样本学习随机微分方程。
Matthieu Darcy, Boumediene Hamzi, Giulia Livieri 等
提出诱导头机制可能主导大模型中的大部分“上下文学习”，通过六条证据支持。
Catherine Olsson, Nelson Elhage, Neel Nanda 等
提出了一种混合物理驱动神经网络模型，用于预测聚合物热解和烧蚀过程中的炭化和燃烧程度。
Aref Ghaderi, Ramin Akbari, Yang Chen 等
GET3D通过结合差分表面建模与2D GAN，从图像中生成复杂拓扑、高细节的纹理3D网格。
Jun Gao, Tianchang Shen, Zian Wang 等
通过 toy 模型揭示神经网络中的超叠加现象，展示相变、几何结构及对抗样本关联。
Nelson Elhage, Tristan Hume, Catherine Olsson 等
NLMap结合VLM实现开放词汇场景理解，提升机器人长时任务规划成功率。
Boyuan Chen, Fei Xia, Brian Ichter 等