用世界模型辅助的视觉-语言双解码器监督潜在 CoT，让自动驾驶规划在答案级延迟下超越显式 CoT。

首次将MeanFlow单步生成从类别标签推广到文本条件,识别出文本编码器的判别性与解耦性是关键。

1978个MCP环境+19822工具,GRPO自演化闭环训练,23个基准全面领先开源基线。

首个端到端网页游戏生成智能体框架，含Game Skill与GameCoder-27B。

面向多智能体多视角的可扩展视频世界建模框架

首个专为视频RL设计的端到端训练评测框架,带离线缓存与异步推理

用LLM三模块流水线按需生成1040个agent评测环境，成本降13800倍

RLVR 弱监督泛化由预训练先验与推理忠实性决定，Thinking SFT 可恢复

评估智能体能否从经验中发现并持续修复技能库的终身学习基准

将SFT重写为带稀疏奖励的on-policy RL，提出GAL+DCR统一后训练框架

用 9 个原子工具 + 四层记忆 + 自进化 SOP，把长程 LLM 智能体的 token 消耗压缩到基线的 1/3 同时保持最优任务完成率。

首个覆盖生成/编辑/修复全生命周期并支持文/图/视频三模态的Web编程评测基准,提出Agent-as-a-Judge新范式。

诊断 LoRA 合并干扰集中在 B 矩阵，提出 B 空间预校准方法 Pico。

构建了跨越47国17语、3万+奥数题的MathNet基准，并首次系统性评测模型在数学等价检索上的能力。

CaOPD：用学生自评估替换教师特权置信度，打破OPD导致的过自信。

系统研究 CUA 重复执行任务时的不可靠性，提出三个成因并配套统计度量。

训练 LLM 在无任务无奖励下主动探索环境并提炼世界知识，实现真正的原生自演化。

用词义具象度指导硬负样本生成并修正InfoNCE梯度失衡。

端到端语音模型集成推理与工具调用，任务完成率从34.88%提升至74.57%。

用两阶段上下文学习，免微调地跨被试从fMRI解码视觉语义

用 solution injection 揭示 LLM 智能体发现却忽视关键环境信息

首个8B音视觉语言模型，将长影视视频转写为分层、时序对齐的剧本。

构建可控多模态乘法基准，用算术负荷C与强迫续写探针揭示多模态LLM的乘法失误源于计算而非感知。

在游戏自博弈中引入轨迹优势调制，用抽象度系数与演化奖励解决推理迁移难题

通过轻量级 KV 共享退出流，让早退 token 自然补全缺失的 KV 缓存，实现 1.53×–2.16× 免训练加速。

面向科学发现的基础演化式智能体框架，四基准全面领先基线。

系统量化10个全模态大模型的模态偏好，发现多数模型呈现视觉偏好而非传统VLM的文本主导，且偏好信号在中后层涌现并可有效诊断跨模态幻觉

把多词表达资源按「分类/抽取/解释」三种原子操作重组，构建操作对齐的语义基准

用方向一致性指标量化CRISPR扰动后细胞群体的几何稳定性。

基于 DINOv2 的统一对应模型，用粗到细目标+稠密自蒸馏实现 SOTA 且小 3 倍快 10 倍。

FX 图 + NPUIR 四阶段编译器，Intel NPU 上 6.9–9.2× 编译加速。

提出 MPT 基准与 PREFINE 方法，将用户偏好建模为可修订的假设，以极少 token 解决工具调用中的潜在偏好推理问题。

用Shesha几何稳定性指标分别预测steering成败与漂移

提出 PDB 框架与编辑级 precision、缺陷级 recall 两个新指标，揭示前沿 LLM 多以「整体重写」冒充精准调试。

针对漏洞观测稀疏突发，比较SARIMAX、Poisson与衰减/Logistic模型的短期预测

5.7M生物医学结构化摘要的结论生成基准与LLM评测。

首次系统证明在情感支持对话中,一个支持者回复可以同时包含多种支持策略,并提出两种生成方法结合认知推理与强化学习。

提出 MedFocusLeak：把对抗扰动只注入医学图像的“非病灶背景区”，并通过注意力转移让 6 个医学 VLM 输出临床合理但致命的错误诊断。

主张 AI 需要独立于模型的连续性层，重建当下而非检索过去。

单块深度可分离卷积+训练时加噪,凭固定结构差异打分,刷新TSB-AD极简基准。

系统研究表明符号化护栏可为领域专用智能体提供确定性安全保障

用LLM助手重写推理轨迹,既能把学生模型准确率压到61.3%降幅,又能嵌入近乎零误检的水印。

系统化构造终端 Agent 评测奖励黑客基准，含 331 个可被绕过任务与可监控性消融。

用一阶 Taylor 展开精准识别 MLLM 中语言特异与跨模态共享神经元，仅微调关键子集实现图像翻译 SOTA。

首个系统性研究 LLM 稠密检索器在 30 个数据集上泛化与抗扰动鲁棒性的工作，提出 specialization tax 概念。

首个衡量模型能否「在没人点拨时自发识别问题本质」的基准；223个博弈论知识工作场景，最强模型仅27.9%通过。

首个覆盖多轮、对话质量/对话特征/指令遵循/安全四大维度的全双工语音模型评测基准。

首次将场景图嵌入洛伦兹双曲流形并引入蕴含损失，PP/Graph IoU 提升超8点。

RGxEStat：面向育种者的轻量级R交互工具，整合混合效应、AMMI与GGE模型分析G×E互作。