FlowR2A通过学习奖励条件的动作分布，融合密集奖励监督与生成Proposal，提升多模态驾驶规划性能。
Xirui Li, Zhe Liu, Xiaoqing Ye 等
提出一种优化引导扩散模型的方法，提升机器人控制的物理可行性，抓取任务成功率提高20%。
Sabrina Bodmer, René Zurbrügg, Tifanny Portela 等
提出了TR-CIE采样器，在有限函数评估下提高离散流匹配的采样质量。
Feiyang Fu, Hehe Fan
引入块级策略漂移门控，提升OPD在数学推理任务的通过率。
Liwen Zheng, Haiyun Jiang
ChartWalker利用层级知识图谱构建跨图表推理路径，提升多模态问答性能。
Ning Tang, Chenghan Xie, Hanyang Yuan 等
RIFT-Bench提供了一种动态红队测试方法，统一评估多样的代理AI系统。
Yarin Yerushalmi Levi, Roy Betser, Amit Giloni 等
提出一种基于语义浏览的可控多样性图像生成方法，通过引入丰富文本表示实现结构化、多维度的图像探索。
Sara Dorfman, Maya Vishnevsky, Omer Dahary 等
提出成功访问匹配（SVM）过程奖励，将稀疏奖励转化为密集奖励，显著提升机器人任务微调效率。
Raymond Tsao, Andrew Wagenmaker, Sergey Levine
See2Act结合扩散模型实现主动感知，训练中学习视点与动作的耦合，提升在遮挡环境中的机器人操控性能。
Kuancheng Wang, Vaibhav Saxena, Shuo Cheng 等
提出自我过滤的迭代方法，利用CLIP模型在动态筛选数据集上训练，提升视觉-语言模型性能。
Andrei Liviu Nicolicioiu, Sarvjeet Singh Ghotra, Morgane M. Moss 等
LangMAP采用多语种最大后验估计，基于UnigramLM扩展，单一词表实现多语言定制化分词，提升形态边界对齐。
Clara Meister, Suchir Salhan, Andrzej Szablewski 等
HoloAgent-0结合3D空间记忆与多层次机器人技能，实现长时程自主导航与操作。
Xiaolin Zhou, Liu Liu, Tingyang Xiao 等
提出结构感知的无偏随机哈密顿模拟方差缩减方法，显著降低采样成本。
Joshua W. Dai, Fredrik Hasselgren, Chusei Kiumi
VeriEvol通过逐步演化提示和答案验证，将视觉数学推理数据规模从10K提升至250K，提升准确率19.31%。
Haoling Li, Kai Zheng, Jie Wu 等
DexTeleop-0通过触觉反馈优化双手操作，显著提高任务成功率。
Haichao Liu, Yuyao Jiang, Hyunsun Park 等
GRINQH通过动态逐通道量化提升LLM推理速度，达成3-4比特效果优于现有方法。
Jette Oberländer, Jan Finkbeiner, Catherine M. Schöfmann 等
Diffusion-LLM结合扩散模型和LLM，实现超长时间序列预测，提升19.26%准确率。
Falguni Ghosh, Vahid Hashemi, Bernhard Kainz
提出EHR-Complex，基于MIMIC-IV的交互式临床数据库推理基准，平均SQL结构组件31.93，模型最高准确62.3%。
Yitong Qiao, Lei Liu, Yue Shen 等
RootMem框架提升隐含逻辑记忆检索，准确率提高27.23%。
Hongxun Ding, Xiang Yu, Chengbing Wang 等
利用AutoML和多目标HPO优化深度移位神经网络，在性能提升20%的同时减少60%排放。
Leona Hennig, Marius Lindauer