RouterVLA利用烟雾测试作为监督信号，通过 outcome-disjoint 交叉拟合提升异构VLA策略选择成功率，从0.4686提升至0.6149。
Xingyu Ren, Chugang Yi, Ge Ma 等
提出误差条件神经求解器（ENS），通过将PDE残差作为输入实现迭代修正，显著提升预测精度达10倍，避免高成本优化。
Haina Jiang, Liam Wang, Peng-Chen Chen 等
Glite ARF通过验证驱动的结构实现多LLM编码代理的可复现性，显著提升BEA 2026任务表现。
Vassili Philippov, Pavel Katunin, Dmitry Andreev 等
SAM2Matting将VOS追踪器扩展至高保真视频抠图，单纯图像训练实现SOTA性能。
Ruiqi Shen, Guangquan Jie, Chang Liu 等
提出PEEU方法，通过自主探索和后见经验增强小型多模态网页代理的任务规划能力，模型7B达30.6%准确率。
Tianyi Men, Zhuoran Jin, Pengfei Cao 等
提出DexAC-WM结构化动作表示，解决高维动作异质性，显著提升高-DoF世界模型性能。
Zizhao Yuan, Zhengtu Liang, Taowen Wang 等
提出两种正则化方法增强Top-k稀疏自编码器的单义性与鲁棒性，提升解释性与重建质量。
Nathanaël Jacquier, Maria Vakalopoulou, Mahdi S. Hosseini
本研究首次将大规模语言模型（LLMs）应用于德国央行证券资格审查，采用生成式信息抽取，达成最高91%的文件级精准率。
Serhii Hamotskyi, Akash Kumar Gautam, Christian Hänig
本文将Blackwell逼近与梯度平衡（GEQ）等价关系通过算法还原，揭示其在在线学习中的深层联系。
Brian W. Lee, Nika Haghtalab, Michael I. Jordan 等
Ribbon：基于影响函数的可扩展贝叶斯不确定性近似，提升模型校准与效率。
Graham Gibson, John Tipton, Kellin Rumsey 等
BINEVAL通过二元问题分解评估指标，提升LLM输出的可解释性和性能。
Sangwoo Cho, Kushal Chawla, Pengshan Cai 等
提出句法信念更新模型，用Rényi散度衡量人类阅读难度，优于传统lexical surprisal。
Alan Zhou, Miloš Stanojević, John T. Hale
提出迭代自我提升的安全码本，利用模型自我判断改善生成安全性。
Yunqi Xue, Zhijiang Li, Philip Torr 等
JERP通过同时更新经验规则池和策略，提升多步交互任务中的决策性能。
Shicheng Ye, Chao Yu
SubdivAR通过自回归预测提升网格细分精度，减少Hausdorff距离18.8%。
Huipeng Guo, Zikai Song, Hang Long 等
MinGram采用BPE初始化，硬EM优化，提升压缩率并保持良好形态对齐。
Sander Land
提出决策对齐评估框架，批判现有UQ指标偏离决策实用性，创新性引入先验加权实用性指标，实验验证其优越性。
Annika Schneider, Tommy Rochussen, Joshua Stiller 等
Unison通过内部一致性、引导理解与生成、互惠增强等指标，系统评估统一多模态模型的协同理解与生成能力。
Jinyu Liu, Xincheng Shuai, Henghui Ding 等
提出SharpMoE，通过利用干净潜在特征实现高精度路由，显著提升视觉生成性能。
Haoyou Deng, Keyu Yan, Chaojie Mao 等
PortraitGen以真实样本驱动GRPO，并结合OmniReward与AI-Portrait，在1000张PortraitBench上显著提升人像真实感。
Xiaomin Li, Qian Liang, Yinan Li 等