BRANE方法通过LLM提取查询特征，实现MuSiQue等数据集89%成本节省的动态检索配置优化。
Melissa Z. Pan, Negar Arabzadeh, Mathew Jacob 等
MOSS系统通过源码层自我改写，在OpenClaw上单轮演化将四任务平均评分从0.25提升至0.61。
Qianshu Cai, Yonggang Zhang, Xianzhang Jia 等
LCGuard通过对Transformer KV缓存进行对抗训练变换，有效降低多智能体系统中的敏感信息重构率，保持任务性能。
Sadia Asif, Mohammad Mohammadi Amiri, Momin Abbas 等
ToolCUA通过分阶段训练实现GUI-工具路径选择，提升46.85%准确率。
Xuhao Hu, Xi Zhang, Haiyang Xu 等
研究提出了一种评估基于评分标准的强化学习中奖励欺骗的方法，发现即使在强验证下，奖励欺骗仍然存在。
Anas Mahmoud, MohammadHossein Rezaei, Zihao Wang 等
DR-Gym环境使用强化学习优化电力需求响应，提升电网灵活性和能源可负担性。
Jose E. Aguilar Escamilla, Lingdong Zhou, Xiangqi Zhu 等
SciCrafter基于Minecraft评估AI从发现到应用的能力，当前模型成功率仅26%。
Zhou Ziheng, Huacong Tang, Jinyuan Zhang 等
提出了一种基于LLM的评估框架，提升数学推理评估的准确性，超越符号数学的局限。
Erez Yosef, Oron Anschel, Shunit Haviv Hakimi 等
AgentSearchBench通过执行信号提高代理搜索排名质量，填补语义与性能之间的差距。
Bin Wu, Arastun Mammadli, Xiaoyu Zhang 等
A-MAR框架通过结构化推理计划提升艺术品多模态检索的解释质量。
Shuai Wang, Hongyi Zhu, Jia-Hong Huang 等
SafetyALFRED评估多模态大语言模型在厨房环境中的安全规划，发现模型在识别危险方面表现良好，但在风险缓解上成功率较低。
Josue Torres-Fonseca, Naihao Deng, Yinpei Dai 等
大型语言模型展现规范性从众行为，研究揭示其内在机制。
Mikako Bito, Keita Nishimoto, Kimitaka Asatani 等
MathNet提供了一个全球多模态数学推理和检索基准，涵盖47国的30,676道奥数题。
Shaden Alshammari, Kevin Wen, Abrar Zainal 等
BLF系统通过序列贝叶斯更新语言信念，在ForecastBench基准上实现了最先进的二元预测性能。
Kevin Murphy
ClawEnvKit自动生成爪状代理环境，降低成本13800倍。
Xirui Li, Ming Li, Derry Xu 等
提出DeepInsightTheorem框架，通过识别核心技术提升非正式定理证明，显著优于基线。
Yunhe Li, Hao Shi, Bowen Deng 等
使用CompCQ框架对LLM生成的能力问题进行跨领域分析，揭示其生成特征。
Reham Alharbi, Valentina Tamma, Terry R. Payne 等
研究表明，语言模型在最短路径问题上表现出强大的空间迁移能力，但在长度扩展上由于递归不稳定性而失败。
Yao Tong, Jiayuan Ye, Anastasia Borovykh 等
使用一致性分析和保形预测集诊断LLM评判可靠性，揭示33%-67%文档存在至少一个3-循环。
Manan Gupta, Dhruv Kumar
研究揭示LLMs和VLMs在无视觉信息下理解视点旋转的困难，提出VRUBench数据集并通过选择性微调提升性能。
Zhen Yang, Ping Jian, Zhongbin Guo 等