标签
FreeFlow是一种用于光流估计的层级Transformer，它消除了任务特定的归纳偏差，并在Sintel和KITTI-2015等基准测试中达到了最先进的精度。
HiMA-MDD引入了一个层级多代理系统，用于解释多模态临床访谈以检测抑郁症，在E-DAIC数据集上实现了最先进的性能。
本文介绍了HC-RAG，一个面向10-K文件的以证据为中心的金融问答的分层跨模态检索增强生成框架，以及一个新的基准Multi-Doc-2025。它在金融问答基准上优于RAPTOR和GraphRAG，尤其是在长文档和表格相关查询方面。
介绍了FreSH，一种用于多元时间序列分类的频率分段层次化多专家框架，在UEA基准测试中实现了最先进的准确率，同时减小了模型规模和计算成本。
本文介绍了DocTrace，一个用于长文档视觉问答的分层框架，将该任务建模为显式证据图推理。它在三个基准上取得了最先进的结果，同时实现了可追踪的证据来源，比Qwen3-VL-8B-Instruct高出11-14个百分点。
Setoka是一个基准，用于评估记忆增强的个性化智能体从异构数据中分层理解用户（语义记忆、情景记忆、行为模式、人格特质）的能力，揭示了当前记忆系统在需要跨来源整合和抽象的任务上存在困难。
介绍了层次化实验者智能体（HExA），这是一个基于上下文、以实验为中心的自我改进框架，使LLM智能体能够设计实验、学习可复用技能，并在新领域回答查询，在Interphyre物理模拟基准上取得了显著优于基线的改进。
HiComm是一种面向合作多智能体强化学习的即插即用通信模块，它将消息嵌入到发送者的分层观测结构中，采用接收者驱动的查询和三阶段解码，可将通信量减少高达23倍。
FoggyTrust是FLTrust的分层扩展，它将信任计算本地化到雾节点，提升了异构联邦学习场景下对拜占庭攻击的鲁棒性，在CIFAR-10上针对Krum和Trim等具有挑战性的攻击实现了超过50%的性能提升。
本文介绍了简化稀疏注意力（SSA），一种在持续预训练中使用Gist令牌的方法，能够在推理时无需架构更改即可实现高效的分块选择，取得了高压缩比，并在LongBench和检索增强生成等长上下文任务上优于基线。
本文介绍了SCOPE-FL，一种分层联邦学习框架，使用Top Trading Cycle算法来确保客户端选择中的抗策略性和帕累托最优性，通过Shapley值近似进行奖励分配，并基于区块链执行。
本文提出了HyGRAG，一种层次化图RAG框架，整合了上下文与关系信息以支持多跳推理，在现有方法基础上实现了平均准确率提升9.7%。
介绍了ProHiFlo，一种用于从头蛋白质生成的分层流匹配框架，具有从粗到细的生成、功能引导和SE(3)等变架构，以4倍更少的采样步骤实现了最先进的性能。
介绍ArabiGEE，这是首个全面的阿拉伯语语法错误解释分类法，采用分层结构，涵盖拼写、形态、句法和词汇维度，包含27种错误类型、140种修正类型和324个解释。
我们提出了用于多维函数逼近和随机场学习的层级RBF-KAN和RBF-SKAN架构。这些框架具有通用逼近性质，并能部分缓解维度灾难，实验结果表明其准确性优于现有方法。
CHAM-net提出了一种对比分层自适应元网络，能够捕捉站点特定和跨年动态，用于稳健的全球甲烷通量预测，在模拟和观测数据集上均优于基线方法。
本文介绍了 CosmicFish-HRM，这是一个紧凑的 8277 万参数语言模型，配备层级推理模块，在推理过程中动态分配推理计算资源，并根据输入复杂度学习何时停止。
介绍BOHM，一种针对复合AI系统的零成本层次归因方法，从路由权重中提取归因，在许多实际部署中优于基于Shapley的方法。
Maestro是一个基于强化学习的框架，能够动态组合冻结的专家模型和技能集成，处理多模态任务，使用4B参数编排器实现70.1%的平均准确率，超过GPT-5和Gemini-2.5-Pro。