研究显示，尽管样本间存在依赖，自监督学习中合并增强样本比分割独立样本更有效。
Maximilian Fleissner, Debarghya Ghoshdastidar, Samory Kpotufe
TeQHallu利用低级符号能力进行无监督幻觉检测，在RAGTruth数据集上表现优异。
Renato Vukovic, Hsien-chin Lin, Carel van Niekerk 等
APT-RAG框架在证据密集型QA中表现优异，提升了40.69%的F1分数。
Songeun Lee, Kyungjin Min, Injae Na 等
SAM-D2Q通过多模态文档扩展提升电商搜索，GMV提高3.38%。
Hui Zhou, Jian Hui Ji, Lei Ma 等
研究提出了一种基于扩散的局部内在维度估计方法，提供了最小最大下界。
Jaehee Seo, Wontae Jeong, Jisu Kim
使用敏感性技术分析图灵机的算法结构，揭示对称性和路径分离特征。
Billy Snikkers, Rumi Salazar, Daniel Murfet 等
提出了一种成本感知的单代生成架构，在DevRev基准上达到91.7%的正确率。
Yoga Sri Varshan Varadharajan, Ajay Yadav, Ritesh Goru 等
研究提出了一种用于依赖序列中稀有事件预测的最优分层分配方法，验证了其在美国股票数据集上的有效性。
Jaskaran Singh
Principia通过物理关系一致性评估视频模型的牛顿运动规律，涵盖8个物理现象。
Varun Varma Thozhiyoor, Shivam Tripathi, Venkatesh Babu Radhakrishnan 等
提出“编译训练”方法，将自然语言描述转化为可重用的神经函数，准确率达83.6%。
Yuntian Deng, Pengyu Nie, Stuart Shieber
本研究揭示黑箱大模型观察者在共享端点上的测量不稳定性，验证未达预注册门槛。
Haoyaun Zhu, Jie Zhang
ESPO通过结构化误差诊断、多策略候选生成和自助稳定选择，提升提示优化准确率3.76%，缩短47%。
Lihao Liu, Peng Tang, Kunwar Yashraj Singh 等
本研究提出以优势值衡量推理步骤的重要性，发现LLMs难以从文本中完全解码步骤重要性。
Kevin Du, Alexander Hoyle, Laura Ruis 等
本研究提出辅助视角（如重述、类比）能提升大模型的知识获取效率，实验证明在规模扩大下效果更显著。
Joseph Lee, Yidi Huang, Dokyoon Kim 等
提出Last翻译基准，结合人类审查和验证规则，提升模型失败检测能力。
Vilém Zouhar, Niyati Bafna, Mukund Choudhary 等
采用Ostrom治理原则，分析100智能体研究群体中作弊与举报行为的演化机制。
Davide Paglieri, Logan Cross, Tim Genewein 等
提出低成本开源平台，结合行为克隆实现迷你Ackermann车辆端到端自主驾驶，平均横向误差6.1cm。
Gustavo Claudio Karl Couto, Eric Aislan Antonelo, Gabriel George Zipperer
VT-Contrast通过视频令牌对比提升VideoLMs的时间理解能力，显著提高了TOMATO等基准的表现。
Yumeng Shi, Quanyu Long, Yin Wu 等
提出CORE框架，通过reranker蒸馏提升多模态大模型的组合推理能力，Rank-KL达82.7%平均。
Tingyu Song, Mingxin Li, Yanzhao Zhang 等
提出PreferenceEKF，通过子空间扩展卡尔曼滤波实现高效偏好主动奖励学习，提升样本效率。
Yutai Zhou, Erdem Bıyık