从推理到适配：视觉语言模型的统一最优传输视角
提出统一最优传输框架，用Wasserstein距离生成稳健伪标签，结合软标签InfoNCE损失，统一推理与适配目标，性能提升达7%。
解题非绘图：面向奥林匹克几何图形推理的基准
新基准含954道奥赛几何题，评估发现模型解题强但绘图弱，平均编译成功率仅36%，表明数学推理不等于准确作图。
可复现的多模态可供性预测
提出可供性清单规范，涵盖任务、模型、数据与实验协议，促进可复现的多模态可供性预测评估。
安全对齐错觉：大语言模型的跨语言安全缺口
英语中心的安全对齐在非英语中失效，新基准INCLUDE量化印度偏见，发现孟加拉语开源模型偏见最高，英语在开源最低但闭源最高。
DyG$^2$T：利用3D高斯时空粒子图Transformer建模物体动态
提出DyG$^2$T，通过空间补全与时间判别关键点表示，并在粒子图上建模多尺度交互，实现精准物体动态预测，具良好泛化性。
FraudBench：对基于策略的银行代理进行自适应欺诈压力测试
提出FraudBench基准，测试银行代理在对话中应对自适应欺诈的能力，初步评估显示攻击安全性仅49%-65%。
MAVEN：基于紧凑对齐评估器的多模态内容宏观社会价值评估框架
提出宏观社会价值评估框架MAVEN，基于人权与文化理论，对多模态内容多级评分；2B评估器媲美8B并逼近前沿闭源模型。
结构化损失函数下数据驱动多超参数调优的紧界
针对数据驱动多超参数调优，用实代数几何细化上界，提出多机制下界框架，证明紧界，并推广至双层验证损失调优。
CoMVS-GS：协同多视图立体与3D高斯泼溅的表面重建方法
提出CoMVS-GS，融合多视图立体与高斯泼溅，借助PatchMatch互监督及Delaunay网格剖切，提升弱观测与遮挡区域的重建精度与网格质量。
时空交通预测中的通用语义知识注入
通过通用知识图谱构建语义子图并生成嵌入，与传感器图融合，为GNN提供语义上下文，提高交通预测精度。
计算东方主义：用中东文化敏感度评分（MECSS）衡量大语言模型的结构性话语偏见
提出中东文化敏感度评分，衡量大模型结构性东方主义偏见；区域训练模型仍再现，需改变学习来源。
TTSD-FAR：面向LVLM缺失模态情绪识别的测试时自蒸馏与Fisher锚定恢复
TTSD-FAR：冻结教师自蒸馏指导低秩学生，Fisher锚定监测漂移并恢复，适应任意缺失模态，长期稳定且优于基线。
利用人工智能改善农村用药安全：一项范围综述
AI可改善农村用药安全，机器学习减少34%-80%错误，但存在基础设施和临床阻力。
分数衰减KV缓存：面向所有权感知的内存管理以提升对话系统推理相关性
提出FD-KVC缓存算法，双通道评分兼顾历史与近期主题，较H2O平均提升6.7%，适应新话题快3.6倍。
CORAM：模型合并的相干正交旋转
CORAM通过SVD分片合并专家模型，用放大系数修正收缩，性能优于OrthoMerge，匹配或超越最强基线。
JSL-DC：带语言学家易混淆描述的词级日语手语数据集
推出最大日语手语数据集JSL-DC，含19位聋人36.7K视频，提供易混淆描述，识别准确率提升9.8%。
FrenchNews-7：跨出版商的法国新闻编辑部版面分类基准评测
构建FrenchNews-7数据集，微调CamemBERT实现跨出版商法语新闻分类，性能超越零样本LLM。
增材制造中的物理信息与混合机器学习：熔丝制造应用
融合物理约束与仿真数据，三种策略改进深度学习预测FFF部件结合质量与孔隙率，有限数据下提升精度。
深度任意V4：基于4D高斯溅射上的黎曼流匹配实现动态4D场景重建
提出DAV4，将黎曼流匹配应用于4D高斯溅射，实现动态4D场景重建，F值提升0.044，无需人工深度标签。
BERTilda：基于相似度与流动时序图的可解释主题生命周期追踪与分裂/合并检测
BERTilda构建时序主题图，融合语义相似与双向流信号，检测主题分裂、合并、消失等生命周期，标注一致性最高87%。
RDFdL：将RDF与微分动态逻辑集成
提出RDFdL框架，集成RDF与微分动态逻辑，支持静态知识与连续动态推理，验证结果转SPARQL查询。
划分支撑集，重构残差：面向视频生成与世界模型的无训练稀疏注意力
提出SparsePR：响应耦合划分与探针拟合残差重建，降低重建误差，在22-26%密度下实现1.48-2.61倍加速。
Abra：扩展扩散图像训练规模
扩散模型缩放规律与语言模型相似，但最优计算需每参数约200图像token，是Chinchilla十倍；对过度训练稳健，应重数据轻模型规模，曲线呈普适形式。
悲观元归纳及其限度：频率主义统计学与机器学习理论的启示
反驳悲观元归纳：削弱其归纳步骤，用频率主义与机器学习论证枚举归纳处处收敛，而元归纳及任何方法几乎处处不收敛。
重复作为强化：通过即时回合重复提升强化学习中的样本效率
提出即时回合重复机制，交互中重复成功回合动作序列，提升样本效率，优于回放与自模仿基线。
StocksTalk：面向网络数据结构化查询生成的语音对话代理
语音股票筛选系统，结合检索约束与LLM生成可验证SQL，提升查询准确性与可解释性。
COSTA：面向域偏移航空点云的无标注开放集语义分割的聚类中心范式
COSTA聚类中心范式实现航空点云无标注开放集分割，测试时适应域偏移，跨域mIoU达70.09%。
GUPO：面向大语言模型后训练的不确定性感知梯度策略优化
针对GRPO中组梯度方向冲突损害策略更新，提出贝叶斯建模组梯度并估计分布，用狄利克雷分布量化不确定性来校准聚合，多基准实验验证有效。
低资源语言中仇恨言论检测的LLM高效适配：罗马乌尔都语比较研究
罗马乌尔都语仇恨检测中，LoRA微调显著优于零样本，F1超0.93且计算高效。
病理传输：临床数据的最优传输解释，以及热图（未能）定位疾病之时
用最优传输生成临床解释，但热力图在真实病灶定位上失效，合成到真实存在鸿沟。
机器生成文本中鲁棒水印检测的稳定性感知特征设计
提出PSS：融合局部统计和稳定性特征，使水印检测在多次改写下AUC提升逾十个百分点，跨域免重训保持高鲁棒。
对抗性审查：有依据的智能体代码审查中的结构化分歧
对抗性审查用三个智能体，以有证据的结构化分歧进行代码审查，超越五智能体基线，证明有效协作无需复杂结构。
Agentic ESOpt：以极低GPU需求微调长程LLM智能体
提出Agentic ESOpt，用进化策略全参数微调长程LLM智能体，仅需推理级显存，性能优于基线。
DeepTCM1.0：基于通用大语言模型解析中药复方机制的多专家智能体
构建多专家智能体DeepTCM1.0，融合中医理论与现代科学解析桂枝汤机制，经双盲五维评分验证有效。
大语言模型何时真正有用？评估其作为数据质量标注器的表现
LLM仅在需背景知识时优于规则基线；强词汇信号下无优势，小样本提示评估易误导。
评估开放模型在高风险公共部门应用中结构化信息抽取的表现
开源模型处理高风险管理文档多不达标，仅4/35配置F1超0.5，约75%低于0.25；输入质量比模型规模更关键。
FD-CanKD：面向紧凑目标检测器的频率解耦交叉注意力蒸馏细化先验
FD-CanKD以三级知识蒸馏提升紧凑检测器，精调20轮后mAP达48.87，且不增加部署参数。
评估RL可解释性方法对修复智能体缺陷的帮助程度
提出EvalXRL基准，用LLM智能体通过XRL方法诊断修复RL故障，以奖励信号评分，闭环比较各方法。
测度部分得分差距：越南2025凸性评分方案的严格基准
标准基准按比例计分高估模型；越南2025高考凸性评分制下，答对三题只得0.5分而非0.75分，官方规则使模型得分与排名下降。
相同事实，不同更新：推理设置塑造医学分配中的大语言模型行为
研究发现，大语言模型在医疗分配中，对相同新信息的响应因是否包含先前上下文而方向相反。
基于非配对TVUS原型先验的子宫内膜异位症跨模态MRI卵巢分割
针对子宫内膜异位症MRI卵巢分割，提出双分支框架，用TVUS原型先验对齐跨模态特征，性能提升超5个百分点。
机构声望作为大型语言模型中的地理偏见：三项因子实验与自举置信区间的证据
大语言模型评估存在机构声望地理偏见：声望与期刊效应主导，国籍无显著影响；顶刊可补偿低声望。
治理记录即监督：验证器筛选的自我训练用于结构化工作流修复
验证器筛选的自我训练利用治理记录，将接受计划从1提升至57，优于自选，支持受限可验证能力监督。
OptiModNet：用于视盘和视杯分割的UNet-Transformer混合架构，融合分组查询与通道注意力
轻量级OptiModNet融合多种注意力与金字塔损失，REFUGE2上视盘视杯分割超现有方法2.5%，仅3.73GFLOPs和1.93M参数。
SESSE：草图、扩展、排序、总结、评估——基于结构化分解的LLM裁判评估
SESSE无需训练，将整体判断分解为结构化子问题，在基准上接近基线，并提供可解释审计轨迹。
ComponentBench：诊断计算机使用智能体的组件级失败
提出组件级基准ComponentBench，发现观察与动作空间导致成功率波动超30%，智能体速度远低于人类。
Redakto——面向大语言模型的隐身标签页
Redakto开源工具可在文本输入LLM前匿名化，去除个人身份信息，支持假名化，本地部署，法律医疗领域评估显示效用不降。
用于Token级幻觉检测的时间多信号融合
将幻觉视为文本片段，融合文本统计、自然语言推理、困惑度等33维特征，用BiGRU序列标注检测，AUC达0.840，适用于闭源及未见模型。
从非侵入性脑记录中准确解码自然语句
脑磁图非侵入式解码自然语句，词错误率39%，数据扩大可提升，AI助力逼近植入式水平。
先验条件高斯判别用于可泛化的AI生成图像检测
提出先验条件高斯判别阶梯，在39数据集710万图像上媲美甚至超越现有检测头，并揭示训练先验等影响。