Absolute Zero: Reinforced Self-play Reasoning with Zero Data 提出“绝对零”范式，AI通过自提出题和解答，在零外部数据下超越依赖大量人类数据的模型，展现自主学习潜力，但需关注自进化安全风险。
Improving Model Alignment Through Collective Intelligence of Open-Source LLMs 利用开源AI的集体智慧生成高质量数据，提升模型对齐效果，成本低且支持自我改进，为开源社区注入新动力。
RetroInfer: A Vector-Storage Approach for Scalable Long-Context LLM Inference 通过向量存储和注意力稀疏性优化，显著加速长上下文推理，保持高准确率，助力复杂任务处理。
Teaching Models to Understand (but not Generate) High-risk Data 的SLUNG范式让AI安全理解高风险内容而不生成，提升安全性和信息处理能力。
DYSTIL: Dynamic Strategy Induction with Large Language Models for Reinforcement Learning 用语言模型动态归纳策略，提升强化学习性能和可解释性，为智能决策铺路。