VBVR-Pro：面向原生视觉推理的可扩展可验证套件
该套件含300个程序化任务、可验证奖励及30余生成器，证实视频生成最利于原生视觉推理。
CaSKG：面向可扩展智能体技能检索的反事实-因果技能图
提出反事实因果技能图CaSKG，校准技能关系，提升LLM智能体跨模型和基准的任务成功率与效率。
StreamPI：面向视觉-语言-动作模型的流式多模态时间建模
StreamPI零参数增强单帧VLA时间推理，真机和LIBERO超越pi0.5。
地理参考时间序列多步预测中的时空局部性建模
SPALT方法用线性模型树局部建模时空相关性结合剪枝策略实现多传感器多步预测优于现有模型
不确定性引导的潜在扩散模型用于忠实超分辨率
提出UGDiff，用重建不确定性引导扩散，选择性恢复高频细节并保持保真度，更好平衡感知与失真。
LDAC-Net：用于低成本MOX气体传感器漂移鲁棒识别的可学习多滞后差分注意力卷积网络
可学习多滞后差分注意力卷积网络，抗漂移，SmellNet-Base 68.2%，超FOTD 14点。
基于深度学习的Meteosat灵活组合成像仪对流层温湿度廓线反演
提出空间感知深度学习模型，仅用FCI观测反演对流层温湿度廓线，无需数值预报，精度接近再分析。
FRAME：区分医学影像公平性中的抽样变异与表征成因
FRAME区分抽样变异与表征原因；公平参考解释41%种族/22%年龄差异；干预不改变余差，应先审计再干预。
针对LLM越狱攻击的自进化多智能体框架防御
提出自进化防御：跨交互规则记忆将失败抽象为方法级规则，泛化至攻击族，无需参数更新，降低越狱成功率且不增加拒绝。
超级智能检索代理：智能体检索的下一个前沿
SIRA将多轮探索式检索压缩为单次语料判别式检索，无需微调即超越稠密、稀疏及智能体基线，在10个BEIR基准上取得最优平均性能。
通过SHAP分析算法和超参数提升机器人强化学习的泛化能力
提出可解释框架，用SHAP量化算法与超参数对机器人RL泛化的影响，指导配置选择以提升泛化能力。
PonsRAG：受脑桥启发的RAG，桥接认知孤岛以协调长叙事推理
提出受脑桥启发的检索增强框架，采用三层索引与协调推理桥接认知孤岛，多选任务平均准确率提升11.56%。
公平性感知的测试时提示调优
提出公平感知的测试时提示调优方法，平衡目标与伪相关熵，改善子群偏移下的公平性并避免模型崩溃。
逆问题的抗离群扩散求解器
提出基于Huber损失和重加权最小二乘的扩散模型逆问题求解法，抗离群值，性能优于现有方法。
PANDA——用于部分未配对多模态学习的原型锚定对齐，及其在阿尔茨海默病MRI与TCGA病理中的应用
PANDA两阶段方法用类原型对齐传递辅助信息支持任意配对率推理无需辅助输入提升MRI与病理预测
形式化、可执行且可解释的陆空通话运行程序运行时监控
提出运行时验证框架，解析陆空通话并与监视数据融合，用时态公式评估程序履行，违规自动报告，经真实与合成数据验证，F1达0.85。
图学习为何无法充分受益于文本教师？
探究图文联合训练效果不佳的六种因素，揭示图谱表示与文本知识融合中的权衡与冲突。
AeroDPO：借助高保真感知与自动化偏好优化释放轻量级无人机导航潜能
AeroDPO以自动化偏好优化和高质量感知，让2B轻量模型超越7B，未知场景成功率49.16%，碰撞率大降。
面向多模态无监督持续后训练的视觉依赖性感知框架
提出视觉依赖性感知框架，利用结构失真与异质性，通过最优传输和调制适应，平衡旧任务稳定与新任务可塑性。
UltraPIPS：利用基础模型提升B型超声中的模型感知
超声专用基础模型的LPIPS更贴近下游性能，重建时平衡质量与真实性。
大语言模型增强的图神经网络是否隐私安全？
大语言模型增强的图神经网络在提升效用同时更易受链接、标签和成员推理攻击，差分隐私防御会显著牺牲效用。
ForceFlow：基于接触驱动流匹配的感知与动作学习
提出力觉响应框架ForceFlow，以非对称多模态融合与视觉-力觉交接机制，显著提升接触丰富任务的泛化性与力控精度。
MyoMechanix：基于生物力学的组合式技能活动理解与指导
提出最大多模态AQA基准，融合肌电与动作，通过知识图谱与组合推理实现精细反馈。
一种症状，三个杠杆：同策略自蒸馏的批判性综述
同策略自蒸馏综述：教师用特权信息指导自身，致生成路径崩溃，受信号加权、特权信息、教师动态三个杠杆影响。
当陈旧约束无人复核：继承性智能体记忆中的预算化验证失败
继承记忆含过期约束时，默认验证致约75%陈旧一致决策；将一槽改配关键路径，正确率提升61–74个百分点。
CoWorld-VLA：面向自动驾驶的多专家世界模型推理
提出多专家世界推理框架，以四种专家令牌为规划条件，用扩散融合规划器提升自动驾驶安全与轨迹精度。
关键在于时间尺度：后继特征与多目标规划和学习中的非线性效用
现有多目标强化学习与后继特征只处理单一时间尺度的非线性效用，忽略同一问题内多时间尺度并存，重大空白。
RARM：面向操作强化学习的置信门控进展奖励建模
RARM模型用单条演示视频生成稠密进展奖励，仅奖励置信前进，提升操作任务成功率。
LOCKS：面向高效长上下文解码的页局部紧凑键摘要
LOCKS为每页建立谱摘要，仅选top页参与注意力，保持长上下文质量，KV读取减10-25倍，解码延迟减半。
基于预训练特征、数据增强和新 SheetSage-A2S 数据集的音频到乐谱转录
提出新数据集与模型，用预训练特征和数据增强，古典乐符号错误率降至4.98%，流行乐基准为20.92%。
TabDPT-Turbo：面向表格预测的高效上下文学习
提出TabDPT-Turbo，性能与v1.1相当，速度提升数个数量级。
AsymSpec：面向智能体大模型的上下文非对称推测解码
草稿读全量、验证看压缩，对比融合与分歧门控，90%精度，1.3-1.7倍速，成本降7成。
RefVideo-6M：面向指令式视频编辑的可靠参考数据集
含五百万视频、一百万图像及六百万视觉参考的数据集，以无伪影真实视频为目标，提升编辑质量、可控性与一致性。
用于瞬态动力学自回归稳定性的本构马尔可夫物理信息神经算子（MPNO）
提出MPNO，用本构马尔可夫传播算子约束谱半径≤1，实现瞬态PDE自回归稳定，精度优于WNO，参数约20K，推理快10^5倍。
从废弃物中学习：机器学习在加纳健康风险预测与基于计算机视觉的垃圾分类中的应用
利用随机森林和MobileNetV2模型，验证了加纳社区垃圾处理与疾病的关系，并实现低成本自动分类，强调技术需配套制度支持。
CEDAR：基于残差分解的受控与事件驱动需求预测
提出CEDAR两阶段框架，融合行动条件与残差校正，在阿里1688超3200万商品数据上提升预算规划模拟精度。
IDEAlign：比较大型语言模型与领域专家的想法对齐
提出IDEAlign协议，用“挑出异类”任务评估LLM注释与专家观点相似度；评测显示多数指标失效，LLM裁判最优但仍难替代人工。
语言学理论中的循环神经网络：重访Pinker与Prince（1988）及过去时之争
现代编码器-解码器网络克服了Pinker和Prince对早期模型的批评，表明NLP进展可推动认知建模。
TailSFT：过滤式微调提升后训练性能
TailSFT通过过滤已拟合序列，聚焦分布尾部，提升覆盖率和后续强化学习效果。
VisDocAgentBench：视觉丰富文档检索的智能体基准测试
提出VisDocAgentBench基准，发现视觉检索器跨证据检索弱，智能体可弥补，但规划器与视觉表示仍是关键。
EXAONE Tabular 1.0：技术报告
EXAONE Tabular是紧凑型表格基础模型，通过上下文学习分类回归，无需梯度更新，架构创新，性能强且高效，达到最先进水平。
CVE-SAI：反事实视觉证据引导的选择性属性索引用于风险控制的电商搜索
CVE-SAI通过反事实视觉证据引导选择性属性索引，分离推理与收录，提升检索性能并控制风险。
面向非独立同分布数据的半监督联邦学习中自适应聚合的协作式多智能体强化学习
提出pFedMARL，用多智能体强化学习动态调整聚合策略，提升非IID及对抗场景下半监督音频模型的准确率、鲁棒性与公平性。
LoRA需要多少秩？——Transformer注意力的秩-误差界
针对LoRA秩选择，提出注意力近似误差理论界，给出显式上下界及谱界，揭示softmax饱和对所需秩的影响。
几何约束的Kolmogorov-Arnold网络：通过Banach对偶学习边几何
提出几何约束KAN，逐边学习Banach对偶指数p，在符号回归中匹配或超越固定基，且抗噪性强。
$R^3$：通过强化学习训练机器人用自然语言推理
用强化学习让视觉语言模型生成自然语言推理，引导机器人长时程操作，提升探索与泛化，优于模仿学习基线。
模态贡献评分：量化阿尔茨海默病中结构MRI与淀粉样PET对个体患者相对诊断贡献的框架
提出MCNet与MCS评分，量化患者个体从结构萎缩到淀粉样/代谢的模态转变，可解释且验证良好。
追踪完整性：LLM数据代理的可审计结构化推理愿景
提出追踪完整性标准，评估LLM数据代理计算痕迹的可审计性，弥补仅凭答案正确性判断可靠性的不足。
SwarmWorld：语言模型代理社会中的痕迹式技术演化
群体世界中，无预设角色的语言模型代理经环境痕迹自组织协作，技术组合比独立搜索更广韧，但最强技术优势不显著。
泛化之前的通道化：以顿悟作为动力学探针
顿悟平台期权重衰减脉冲表明：强度排序先于可见泛化形成，决定泛化时间；测试损失壁垒消失，即功能选择的通道化。