知其形，不知其用：自动审计法律基准中的答案—权威脱钩
法律基准仅按答案计分，但答案正确与法条引用可分离；自动审计显示二者脱钩，建议联合评估答案与法源。
AutoFOAM：自改进的自主OpenFOAM智能体
自进化大模型智能体AutoFOAM，凭自然语言自动创建、优化OpenFOAM模拟，加速CFD开发。
世界建模，何去何从？
提出以智能体为中心的交互式世界代理，从物理预测转向可用反馈，六种代理、三级赋能，助力智能体持续进化。
视觉-语言模型中的上下文崩塌及其缓解方法？
部分视觉语言模型多示例学习会致上下文崩塌，源于视觉-语言整合失败，可用轻量可迁移干预缓解。
采用检索增强生成流程的大语言模型优化与约束建模
通过合成数据集与检索增强生成流水线，大模型优化建模准确率大幅提升（NL4OPT由40%升至72%），无需微调即可实用。
自改进LLM智能体的记忆奖励膨胀
自改进LLM智能体因存储评分偏误，偏好重复错误记忆，导致回报膨胀。去偏算法LUCID在文本转SQL任务上提升准确率至56.9%。
季节性先验用于选择性野生动物标注与分类
研究红鹿识别，发现季节性影响标注与分类，双模态可改善标注，不确定性弃权将准确率提至98.9%。
投机修正：扩散语言模型的草拟-精炼解码
提出草拟-精炼解码：先完整草拟再双向精炼，同模型提升准确率与速度，小模型草拟大模型修正可加速生成。
GLOBE：面向核心集选择的轨迹对齐梯度匹配与结构化稀疏优化
提出GLOBE轨迹对齐核心集选择：跨检查点梯度匹配多阶矩，结合结构化稀疏与类均衡Top-K，低保留率下提升精度。
批量LLM服务的请求级能耗归属
提出JouleShare框架，用Shapley值精确测量请求能耗，发现token分摊误差大，校准模型可将误差从0.44降至0.12。
Motif-Mamba：基于网络模体改进的Mamba长序列建模
提出一种模体约束低秩循环路径的Mamba改进模型，增强跨维度交互且保持线性时间，实验全面优于基准。
卡在‘A’上：0.6B语言模型注意力到KDA线性化中接口损伤的诊断与修复
注意力转KDA后，模型多选固守‘A’而不看内容；格式定向KL修复接口损伤，C-Eval +12.48。
OncoTriad-QA：面向泛癌推理的患者级影像-病理-基因组学基准
构建泛癌问答基准，融合影像、病理、基因组及临床数据，8.6万问题，微调OncoVLM后性能超现有模型。
视觉语言模型脑核磁审计：自信但校准差，高置信错误占三至四成，医疗适配不改善可靠性，需报告置信度、幻觉、弃答。
视觉语言模型脑核磁审计：自信但校准差，高置信错误占三至四成，医疗适配不改善可靠性，需报告置信度、幻觉、弃答。
混元3D-Buffalo 1.0：面向可扩展3D生成、理解与编辑的统一多模态模型
提出统一多模态框架混元3D-Buffalo，用8700万样本实现3D生成、理解、编辑领先。
球面回缩归一化
球面回缩归一化将残差连接统一为角度收缩族，指数映射仅一端；p-球面范数在有限p最优，优于现有方案。
语言模型视角下的城市描绘
语言模型对未明确城市常有隐含假设，基于40项指标测度发现其偏好建成区大、增长快、设施全、不稀疏的城市，且典型性与合意性常一致。
H+嵌入：以上下文相关短语统一全局与词元级检索
引入H+嵌入，用上下文相关短语作检索单元，兼顾全局与词元级效果，减少13.7%向量，提升检索质量。
SIRIN：用于检测检索增强与记忆 grounding 的 LLM 系统中上下文幻觉的统一工具包
SIRIN 统一三种检测范式与查询可答性判断，支持白盒/黑盒及响应/跨度级检查，用于检测 LLM 上下文幻觉。
定位而非美化：面向整容手术预览的图像编辑API客户端控制
客户端仅用掩膜合成即可将编辑限制在目标区域，无需模型内部权限，定位改善中位数0.446。
PatTree：一种自动化创建多模态、基于图的患者表示用于医学分类任务的新方法
提出PatTree图结构，自动整合多模态临床数据，无需预处理，在ADNI-1分类中达98.5%平衡准确率，性能领先。
用于透镜胶片色彩重建的人机协同深度学习框架
提出人机协同深度学习框架，通过可编辑边界交互优化，结合原始亮度，实现透镜胶片高质量色彩重建。
NANQ：面向模拟存内计算的噪声基底感知混合精度非均匀量化
提出NANQ噪声感知混合精度非均匀量化，建模硬件噪声自适应分配精度，显著提升模拟CIM模型精度与困惑度。
基于归因可分性衡量解释器稳定性
提出分布框架，以归因排名可分性度量稳定性，确定可靠排名区间，并支持跨数据集的解释器比较。
学习用于社会文化任务的向量符号模型
提出向量符号自编码器记忆系统，用于ACT-R架构表示多层级语义关联，经HRR编码情景与语义记忆，以IAT测试验证。
RAG-TESTER：检索增强大语言模型的自动化端到端测试
提出了RagTester，一种RAG系统自动化端到端测试方法，覆盖检索与生成。在24种配置、7.2万次执行中检测出21633个失败，比基线多6.6%。
基于局部收敛输入的神经网络用于高效期权定价模型
提出局部收敛输入神经网络，微调网格解，误差降4-12倍，训练成本低，泛化强，提升多维期权定价效率。
现实中的智能体编程：大规模生产环境下GitHub Copilot轨迹特征刻画
首次数百万级代码助手轨迹刻画智能体编程负载：轮内缓存命中高、跨轮失效，空闲预测优化调度。
Crayotter：通过群组相对偏好反向传播学习长时程视频编辑智能体
提出GRPB，将主观延迟反馈转为同任务排序并分配信用，提升长时程视频编辑智能体，9B模型超越专有系统。
FLARE：基于少样本学习的自适应反思引擎
FLARE结合少样本与反思优化，全面优于GEPA，且数据效率高。
设计一个好的虚拟节点：面向消息传递架构的可寻址且保持基数的全局记忆
提出可寻址且保基数的虚拟记忆，用交叉注意力槽与私有锚点保留多重性，实现1-WL细化，O(nMd)成本。
训练日志能否让模型比较更精确？
利用训练日志作为协变量可提高模型比较精度，但广泛搜索最相关统计量会引入噪声。
BODHI：大语言模型会分支探索并发现异质推理吗？
通过迷宫实验和数学推理树，发现RLVR虽提升约束遵循与回溯，但压缩语义分支熵，多样性损失换取采样效率。
独立DINOv3实现遥感免训练开放词汇语义分割
提出免训练分割框架，利用模型视觉-文本对比能力，设计拉普拉斯传播和高斯溅射上采样模块，遥感大图分割性能领先。
以小策略模型个性化大型语言模型智能体
提出FABLE：在冻结LLM代理外设轻量策略层，用贝叶斯汤普森采样在线学习用户偏好以优化代理执行决策
科学实验场景建模：数据集与模型
提出首个物理实验场景图数据集PhysScene及跨模态双路径模型CM-DPG，缓解长尾分布与图文语义差距，表现优异。
面向企业编码代理的共享组织记忆：系统设计与部署快照
将经验捕获融入编码流程，经审核形成可复用问答记忆，供未来代理检索，应对企业专有知识缺失问题。
ARCHead：面向大语言模型输出头的激活度量残差校正
提出ARCHead，用低秩核、分组INT4残差及激活度量校正压缩LM头，存储降3.7-3.9倍，困惑度近乎不变。
NOMADD：适应数据漂移的模型数值优化
提出后置方法降低概念漂移，压缩参数变化并外推预测，快速提升多种模型性能，优于需海量预训练的SOTA。
形合意不合：低资源孟加拉语辱骂性言论中大语言模型安全的理解-遏制解耦
审计五款大模型：孟加拉语辱骂的安全对齐基于形式非语义，理解与遏制解耦，高资源基准难保低资源安全。
OPTD：少步扩散语言模型的在策略转移蒸馏与一致性引导自适应压缩
提出OPTD，采用在策略轨迹与一致性引导自适应压缩，提升少步扩散语言模型的质量-效率权衡。
提出驾驶世界模型，借渐进真实自举与场景保真强化学习，实现逼真且结构保持的天气转换。
提出驾驶世界模型，借渐进真实自举与场景保真强化学习，实现逼真且结构保持的天气转换。
字符象似性与任意性：阿拉伯语自然语言处理视角
阿拉伯语字符去点后，随机重映射也可达到相同性能，表明字符形式与功能关系基本任意。
腹腔镜手术中点云配准的测试时自适应方法
腹腔镜点云配准域偏移，测试时自适应可改善；分析改进三种方法，输入自适应低延迟且误差稳定下降，最有前景。
语言上下文在视觉-语言模型中重编码视觉表征
视觉语言模型依语言提示重编码视觉表征：识别目标对象并放大属性，因果干预证实影响响应，视觉动态支持语言。
LLM代理能否进行竞争性定价？面向代理商务的动态多属性拍卖基准
提出动态多属性拍卖基准，测试11款前沿大模型代理：获客与盈利排名不同，最强利润也不足最优三分之一。
预测编码网络中的拓扑简化
持续同调分析预测编码网络拓扑：越小模型越早坍缩，简化越晚重建越好，PCN比MLP晚3.6层。
AgentStream：自进化大语言模型智能体在流式任务下表现如何？
提出流式评估框架：自进化智能体可靠性因任务流而异，收益受模型能力制约，无方法全场景占优。
TRACE-TS：基于归因可追溯的传感器-语言推理用于人类活动理解
提出TRACE-TS框架，以归因证据构建可追溯推理，在七项穿戴基准中取得最佳准确率与F1。
每个错误答案都算数：面向LLM多项选择基准的选项级心理测量学
提出选项级心理测量模型，证明错误答案蕴含有用信息，能更准确估计模型能力并提升基准测试效率。