StructReward：高效结构化过程奖励用于多模态推理自纠正
提出结构化过程奖励框架，步骤级对齐生成密集信号，回收策略轨迹实现自纠正，无需额外验证器，高效提升多模态推理。
英美电影音频描述对比
基于206部电影语料，量化验证英美音频描述在词汇、语法、命名、场景提示及与对白音乐重叠度上的差异。
多模态可穿戴时间序列数据中采用ORCA式动态归纳偏置自适应的智能体异常检测
ORCA框架：推理时按轻量统计动态调时间感受野，免重训达AUROC 0.99，异质临床数据稳健。
REFRAMED：迈向电影真实音频描述生成
提出描述内容与时机联合决策的音频描述生成任务，构建含2023个视频片段的REFRAMED数据集，现有系统远不及人类专家。
自适应性的代价：跨学习问题的匹配下界
提出切片归一化极小极大比刻画自适应代价，获高斯认证有限时域组合律，匹配上下界，实验验证。
FreCast：基于相位保持幅度残差扩散的雷达回波强度细化降水临近预报
两阶段框架：先预测回波结构，再以结构为约束细化强度偏差，提升降水预报准确性。
KGCaRe：利用知识图谱自动构建与上下文检索的 LLM 可解释复杂条件问答
提出KGCaRe混合方法，结合神经检索与知识图谱符号推理，显著提升复杂条件问答准确性与可解释性。
各向异性脑T2加权MRI的解剖一致性跨对比度超分辨率
提出解剖一致的跨对比度超分辨法，提升各向异性脑磁共振下游分割性能。
CAP：用于评估跨站点浏览器智能体复杂操作与感知能力的可扩展基准
提出CAP基准，含420个跨站任务，评估复杂UI交互与视觉感知；顶尖智能体成功率低，感知是主要瓶颈。
再花一个Token不值：高效深度研究智能体的边际价值估计
深度研究智能体中，剪枝位置比评分规则更重要；早期剪枝可省73%Token，质量损失小。
DistillCache：KL引导的自适应KV缓存淘汰策略，实现内存高效的LLM推理
提出DistillCache强化学习框架，以KL散度奖励指导KV缓存淘汰，在25%预算下保持94.2%准确率，优于现有方法。
超越路由：稀疏混合专家中专家调度与聚合的解耦
稀疏MoE中，路由器的专家选择与输出聚合可解耦；固定选择、仅训练轻量聚合头（FDAA）能显著提升性能。
PragMatch：在大规模视觉-语言模型中区分语用不协调与跨模态不匹配
提出PragMatch基准，揭示LVLM依赖表面线索而非真正推理，将语用不协调误作跨模态不匹配。
估计星系形态分类中的不确定性
提出UEGMC后验框架，直接预测星系形态分类不确定性，细粒度评估且无需昂贵采样，性能优于现有方法。
被遗忘的历史还是经久考验？从信息检索视角回望与前瞻RAG
RAG核心理念早已存在于早期IR和QA研究中，应从数十年架构视角审视，避免重复发现并促进跨领域整合。
用于音频-发音实时MRI语音分类的结构化音系表征
结构化音系特征可提升实时MRI音频-发音分类，改善音素识别，音频监督可部分迁移至发音轮廓模型。
智能体AI驱动的柔性光纤束内窥镜用于高分辨率近红外二区荧光活体成像
AI柔性光纤束内窥镜，光学-计算协同及智能体专家模型消除串扰伪影，实现近红外二区高分辨活体成像。
元辛神经网络的逼近速率
扩Barron空间至元辛变换，证元辛字典浅层网络蒙特卡洛逼近界；字典原子构建深度网络，解含时薛定谔方程优于物理信息网络。
SC-Diff：用于可见光到红外图像翻译的语义校准扩散
提出语义校准扩散框架SC-Diff，通过语义掩码校准自注意力，提升红外生成质量与目标检测性能。
RenderMatte：精确Alpha渲染与组相对对齐的图像抠图
提出RenderMatte框架，以精确Alpha渲染和组相对对齐，构建数据集，实现开放世界SOTA抠图。
今时与往昔：大语言模型时间演化文档理解基准测试
提出TIDE基准，含3050问答对、644份孟加拉国海关文件，评估9个LLM，最佳68.5%；版本解析59.7%，拒绝无效版本仅26.7%。
智能体技能为何难以复用？来自138K个SKILL.md文件的证据
分析138K个技能文件，91.8%存在缺陷，路由元数据弱，复用受阻。
SWE-Bench ProMax：面向大规模多语言代码重构的智能体基准测试
提出多语言代码重构基准SWE-Bench ProMax：170个实例，平均改11.4个文件，最强模型解决率仅41.2%，极具挑战。
双生展开：交互式视频世界模型中的噪声耦合反事实分支
提出双生展开框架，精确耦合噪声生成反事实轨迹，并用可验证的时空局部性度量评估。
昨日之盾，今日之矛：生产环境中的自演化安全护栏
SESG自进化安全护栏在生产中自动发现新威胁，16-24小时更新，超越静态护栏，已部署。
JaleesBench：AI助手是好的精神伴侣吗？
新基准测试AI作为精神伴侣；通用模型经简短引导可达专家水平，检索层是关键，并可提升现有系统。
想法搜索：以想法引导树搜索探索多样化科学方法
将动态思路库融入树搜索，打破纯树搜索瓶颈，提升单细胞测序数据整合评分。
RayLift：利用3D几何先验提取互补逐射线证据用于语义场景补全
提出RayLift，融合立体几何与互补射线证据，建模深度不确定性，自适应采样加权，提升语义场景补全精度，超越现有方法。
解码级禁忌：大语言模型鲁棒性的诊断性压力测试
提出解码级禁忌测试，遮蔽高概率词元迫使模型迂回，发现鲁棒性随规模与对齐提升，可用于数据生成和安全审计。
SoftMCC：类别不平衡下无阈值模型选择的MCC-Brier校准桥
SoftMCC结合MCC与Brier校准，实现无阈值模型选择，稳定性领先但效用无优势。
MCP中的LLM至关重要：衡量LLM导致的低效资源利用
研究表明LLM常忽略MCP指令内嵌数据，搜索工具存在时尤甚；需宿主机制调整推理优先级。
临床增强医学报告生成中的语言对齐与视觉基础偏好优化
提出临床增强报告生成框架，聚焦临床发现与跨模态对齐，通过实体级诊断与反驳修改提升临床准确性和可靠性。
梯度显微镜：内存高效梯度计算方法资源利用基准评测
梯度累积最稳，显著降损失；Adam并非通用最优；检查点效果依架构而定，GPU利用率差异大。
TrustRoboReward：用于多范式机器人奖励模型的偏好有序保序分数编辑
提出TrustRoboReward多范式奖励框架，用偏好有序保序分数编辑校准点分数，消除分数偏好反转冲突，提升奖励模型性能。
视觉-语言表示学习中的动态分布感知不确定性跟踪
提出动态分布感知不确定性量化框架，利用高斯混合模型动态估计不确定性，适应测试分布变化，性能超越现有方法。
大型语言模型中数学泛化的融合训练
研究思考/非思考模式融合训练，发现数据比与调度影响；非思考监督越多，思考模式精度越低，二者存在内在张力。
MathShikkha：小语言模型中孟加拉语数学推理的仅答案与思维链监督对照研究
思维链监督的价值取决于模型能力与分布偏移：域内仅提升弱模型，域外全面优于仅答案训练并保持鲁棒性。
通过测试时自适应实现自适应超分辨率与质量评估
提出测试时自适应统一框架，提升未知退化下的视频超分及质量评估，无需重训或高清监督。
F2STNet：面向图预测的公平联邦频谱-时序建模
提出F2STNet联邦预测框架，结合图傅里叶与状态空间建模，经公平聚合提升精度和客户端指标。
分层自我改进：面向任务特定可演化智能体外壳的框架
提出分层自我改进框架，让冻结大模型通过进化任务外壳提升中等难度任务表现，但受反馈保真度和模型能力限制。
数学视觉图表：评估大语言模型数学图表生成能力的综合基准
首个数学图表生成基准，统一评估文本转代码与图像，精选2920个竞赛题图，专家筛选，发现LLM生成能力不足。
HOPPER：线性化图序列模型的可学习跳数提取
提出可学习的跳序列提取方法HOPPER，适应图与任务，保持置换等变性，在长程基准上达最优或竞争力，提升图表示学习。
RA-FinBERT：面向低资源金融情感分类的规则感知LoRA适配
提出规则感知FinBERT，融合LoRA与VADER规则特征，仅增1024参数，准确率69.89%、F1 0.634，优于纯FinBERT。
基于机制可解释性的面部与语音无标签帕金森病筛查
提出无标签帕金森筛查，融合语音合成退化与面部异常检测，AUROC达0.802。
基于组合特征的人脸识别系统伪装与欺骗检测框架
提出五种组合特征管线统一应对欺骗与伪装；HOG综合最优，LBP防欺骗最高但姿态鲁棒性较弱。
EvalConvoLearn：评估辅导对话中基于真实数据的学习者模拟的开源框架
开源框架EvalConvoLearn基于真实对话数据，从学习行为与对话质量两维度衡量模拟学习者。
大语言模型免训练低秩压缩中的校准与截断误差传播研究
针对免训练低秩压缩，提出逐层校准与迭代秩分配修正，解决误差累积和层级重要性偏移，零样本精度提升1-2.5点。
HoloAegis：冻结表示与拓扑推理——零样本LLM护栏的最小参数安全流形
提出全息护盾框架，基于冻结表征与拓扑推理，零样本守护大模型，无需训练且延迟极低，精度领先。
基于电子健康记录数据的域结构化集成框架用于围手术期结局预测
提出域结构化集成框架，基于EHR预测围手术期结局，术后谵妄AUROC达0.899，优于单阶段模型，校准良好。
Aero Realtime：面向低延迟流式多模态生成的完全对齐输入输出流
提出双工流式多模态模型，80ms槽完全对齐视音文，复用KV缓存，中位延迟84ms，实现低延迟交互。