ProbGuard：基于LLM输出分布的校准安全风险估计
提出ProbGuard，首个概率化架构无关护栏，利用LLM早期输出分布估计校准安全风险，支持早期停止；校准误差降约72%，攻击成功率≤1%。
ASPaeroFlow：面向空中交通流量与容量协同管理的分解启发式方法
提出ASPaeroFlow启发式，联合优化流量与空域配置，兼顾精度与规模，实验表明协同优化优于顺序优化，空域配置影响更大。
业务真相，而非SQL准确性：规则门控7B分析智能体优于直接提示的32B基线
新基准表明，规则门控7B智能体的业务真相率远超32B基线，假成功大降且成本更低。
技能哨兵：通过运行时保障实现LLM智能体可靠技能执行
SkillSentry框架用DSL与运行时监控，结合历史轨迹迭代优化，使LLM代理技能执行成功率平均提升24.1%，稳定性更高。
ReLTEx：基于大语言模型的可靠分类体系扩展
ReLTEx结合LLM候选生成与结构感知验证、递归扩展控制，减少幻觉，提升分类扩展的可靠性与一致性。
LLM RL后训练中MoE代理模型用于低成本故障复现与诊断
提出聚类专家剪枝的代理模型，降算力50%-87.5%，每步成本降33.3倍，低成本复现诊断RL后训练故障。
P$^{3}$：程序与证明联合规划的验证代码生成
提出P$^{3}$，先制定程序与证明联合计划再实现，提升验证代码生成解决率并降成本，引入Lean4Commit0基准。
超越像素：从视频先验到4D世界
提出潜空间到4D的直接生成方法，利用视频潜空间绕过RGB，性能超越现有方法。
面向可证明多方向场景文本识别的旋转不变性嵌入
提出旋转不变网络，理论保证旋转不变性，多方向场景文本识别最优。
迭代自馈式语言模型探针测量了什么——以及一项区分构造与模型的测试
自馈探针同时测量构造固有量与模型真实量，固定其一变动另一方即可区分。
特权似然不等于令牌信用；实验显示令牌评分近乎随机，需分别验证评分含义、反馈构建与训练行为。
特权似然非自动等于令牌信用：AIME 2025测试中令牌评分近随机(AUC=0.505)，需分别验证评分含义、反馈构建与训练行为。
ConRub-Med：基于共识规则的开放式医学问答强化学习
提出ConRub-Med，以多模型共识规则为奖励，三态评分区分正确、缺失与错误，医学问答基准六项第一。
自几何：面向几何一致3D视觉基础模型的无真值即插即用测试时自适应
提出Self-Geometry，用2D像素对应作伪真值，施加显式多视图几何约束，经测试时自适应提升多种3D基础模型的位姿与几何估计。
保留网格的知识蒸馏：数据稀缺下向视觉Transformer迁移卷积归纳偏置
提出iBKD框架，通过保留网格结构将卷积归纳偏置迁移至ViT，数据稀缺时性能优于现有方法，且无推理开销。
论多语言文本到图像生成中跨语言一致性的局限性
提出多语言基准，用三万三千提示评估跨语言内容与文本渲染，揭示语言不平等及依赖语言的模式。
利用显著性引导的基元合并的紧凑前馈三维高斯
提出显著性引导的合并流程，将前馈每像素高斯压缩至1/20，保持视觉质量，支持质量效率权衡。
基于SA-NODE的长时间轨迹逼近：模型预测与Floquet策略
模型预测策略分段重置使SA-NODE误差均匀有界；Floquet策略对极限环误差线性增长，避免指数恶化。
模板化还是完全合成？提示构建作为衡量LLM政治立场（超越写作辅助）的混杂变量
扩展IssueBench至信息寻求和观点分享，提出全合成提示，其更真实且立场清晰，模板提示会高估模型倾向。
重新思考LLM验证：证据结构、不确定性与选择性精化
提出两阶段框架，仅对模型弃权时进行本体论接地，将弃权用作控制信号，显著提升医学假设验证准确率，无需显式知识图谱。
低成本优化，强模型部署：进化优化的成本感知跨层迁移
用廉价模型评估、强模型变异，跨层迁移部署，以5.6至14倍（最高54倍）更低成本获得同等优化效果。
ComboShoppingBench：评估大语言模型代理在预算约束和优惠券条件下的组合购物篮构建
提出组合购物基准，评估大语言模型智能体在预算和优惠券约束下构建购物篮的能力，显示强智能体仍困难。
线性二次型随机最优控制的路径积分价值匹配
提出路径积分价值匹配法，由截断边缘化得价值递推式，用时序差分和经验回放离策略训练，效率精度兼优并防模式坍缩。
MMArch：基于建筑学证据的多模态推理基准测试
MMArch评估建筑多模态推理：1212题需整合视觉证据与原理。最强开源30%，专有52%，专家95%，差距大。
IADD-TR：基于干预感知动态解耦与目标正则化的模型强化学习方法
提出IADD-TR框架，解耦干预与自然演化，用目标正则化实现双稳健策略梯度，提升样本效率。
线性化2-单纯形注意力
将三重线性得分改写为内积，用正随机特征近似，实现线性成本与全局可达，超越KDA混合模型。
CADEngBench：看起来像CAD，但真能用吗？评估参数化设计、装配推理与物理仿真
提出双轨基准CADEngBench，测试参数化设计与装配；发现编辑比生成易，复杂编辑和FEA难，装配定位准但接合恢复差。
InterPruner：基于泰勒隐式准则与语言先验调制器的多模态目标检测交互式结构化剪枝
首个面向多模态检测的交互式结构化剪枝，用泰勒隐式准则与语言先验评估通道，剪枝半数通道性能不降反升。
基于熵的代码对抗翻译用于真实仓库迁移
提出ECAT多智能体框架经生成器判别器对抗熵最小化实现安卓到鸿蒙仓库迁移真实基准达74.7%质量
ProTAGAD：面向TAG异常检测的解耦拓扑与文本原型基础模型
解耦拓扑与文本原型基础模型，解决TAG异常检测边界模糊问题，跨域数据集上最优。
LLM推荐器知道自己在幻觉吗？目录忠实性中的置信度校准审计
审计四款LLM推荐器：幻觉率随目录而异，但置信度系统性欠自信，校准差，弃权阈值难分离正确项与幻觉。
超越固定亮度：迈向全色与正色图像着色
提出亮度无关着色框架，将着色视为全RGB图像编辑，用混合灰度目标适应全色与正色输入，减少伪影。
myMediWhisper：构建缅甸语医学语音语料库及微调Whisper用于临床对话ASR
构建28小时缅甸语医学语料，微调Whisper，最优词错率23.44%。
看哪里？：VLM中视觉编码器的因果追踪
因果追踪发现，高因果视觉标记常在目标区外；模型借外观线索理解结构，视觉定位、使用与推理存在差距。
TEAMMix：面向大模型增强弱监督层次文本分类的类别体系丰富与少数类增强混合策略
提出大模型增强弱监督层次文本分类框架通过丰富类目语义生成伪样本及高斯混合优化提升细粒度不平衡数据性能
Diffract：大语言模型领域适配的光谱视角
持续预训练不改变奇异谱，适配靠奇异向量；移除60%低重要头可提升4%精度，并发现领域连通性。
MIRA：面向智能体诊断的医学图像反思
MIRA框架通过工具搜索与反思验证提升医学视觉诊断，平均64.73，提升基线7.44，降低有害工具判断。
OpenLoopEvolve：长周期复杂任务中循环策略的可验证自进化框架
提出OLE自进化框架，将循环策略作为可积累资产，通过在线/离线模式生成候选、冠军-挑战者评估，提升长时程复杂任务性能。
FiGuRO：多模态数据的内在维度估计
FiGuRO用截断奇异值分解自适应低秩维度，估计多模态内在维度，解耦共享与私有信息，优于现有方法，可事后用于预训练模型。
面向控制的场景树构建：基于强化学习
提出控制导向的场景树构建法，用强化学习以闭环控制利润为目标训练，超越传统缩减方法，并改善尾部风险。
CoRE: 基于均衡的共识奖励用于测试时强化学习
以均衡共识奖励取代多数投票，将采样视为图，获得分级奖励与伪标签，提升测试时强化学习，省54-70%步数。
从提示到框架：从零构建Coderlet
模型不单独决定代理行为，框架通过模型、执行、状态三边界将生成转为动作、反馈代入决策、状态跨请求延续。
GeoPhysAdapter：基于视觉基础模型的尺度匹配地球物理自适应跨域滑坡制图
提出地理物理适配器，在像素与候选体双尺度有界自适应，跨域误报显著减少，交并比提升14.2%。
多类PAC学习的乐观速率
填补多类概率近似正确学习乐观速率空白固定最优风险下最优超额风险为根号项与线性项之和并推广至列表学习
FADE：从被动验证到主动发现的反事实视频理解
FADE框架采用证据优先两阶段训练和渐隐锚强化学习，实现反事实视频主动发现，性能超越GPT-5.6。
行动胜于言语：衡量工具使用智能体的跨语言策略保持
提出跨语言行为策略测量法，消除五个混淆后：大模型保持71-73%策略，小模型失效；揭示英语中转和规则陷阱。
MVTrack：基于压缩比特流的超快无外观运动目标跟踪
基于H.264比特流直接追踪运动目标，参数少60倍、算力少40倍、延迟降8.6倍，超越YOLO26n。
用于识别政治观点的多类情感分析
对社交媒体政治观点进行多类情感分析，评测两种模型，F1约0.28，任务困难，提供基线。
注意力路径脆弱性：大语言模型中的不确定性信号
以掩码注意力头测量子网络互信息，识别自信但脆弱的预测，可补充误差预测信息并超越语义熵。
DEFT：基于逆离散傅里叶变换的数据高效频域Top-k采样方法用于时空动力系统建模
提出频域Top-k采样DEFT，生成物理一致训练数据，减少40%数据需求，精度损失低于2%，实现高效算子学习。
E³mo-Bench：基于贝叶斯成对对齐的多模态诱发与表达情感理解可扩展基准
提出E³mo-Bench基准，含12314问答对，评估诱发与表达情感，用贝叶斯对齐提升标注，揭示范式性能失衡。