此前视频理解和深度研究能力通常分开开发，视频模型难以获取外部知识，而检索模型缺乏时序感知。VideoRover 首次将二者统一到一个可迭代协调的框架中，使模型能主动定位稀疏视觉证据并获取外部知识，这可能为开放世界视频问答和智能体应用带来新的能力范式。
此前强化学习推理模型假设问题完整，而现实查询常缺前提。ACA-RL 首次系统训练模型识别欠定任务，并选择询问、条件化或弃权，改变了评估范式，从仅衡量答案正确性转向衡量不确定性处理能力。
智能体通常以截图或纯文本读取网页，丢失浏览器原有的来源与权限语义，使注入文本能借用户权限行事。该方案把来源与元素能力重新纳入智能体决策链路，并给出真实网页与注入攻击下的量化对比，而非仅停留在提示层防护。
传统agent开发需分别处理提示模板、工具schema、回调和工作流图，而NOOA统一为熟悉的Python对象模型，大幅降低构建和维护AI Agent的认知负担与工程复杂度。
此前端侧函数调用资源多偏向 Web API 或狭窄的移动动作集合，缺少覆盖 Android 多类设备控制的公开数据与可复现流程。该工作给出了合成数据、微调方法和评估管线，把 270M 小模型的端到端准确率从不足三成提升到七成以上，并公开了取舍数据，使端侧助手方案的可行性可以被独立验证。
此前 LLM Agent 的强化学习多把反馈利用与轨迹聚合混在一个优化目标中处理。该工作把两者显式拆成可独立改进的两个轴，并在多个基准和模型规模上验证增益可叠加，提示 Agent 后训练存在被忽视的独立优化空间。
此前对语言模型社会模拟的评估多依赖转录文本表面可读性，容易把流畅对话误判为理解伙伴心理。该研究用已知答案的谈判任务和字节级受控探针，把“看起来懂”与“真正推断对方心智”分开检验，并给出失败可归因的证据。
游戏 AI 实践长期依赖手工编写的行为树、状态机和脚本，而学术强化学习多产出难以编辑、训练昂贵的黑盒神经控制器。该工作尝试直接搜索可读程序，若成立，则游戏行为创作可从手写逻辑转向由奖励函数驱动的可编辑行为发现。
此前文本生成视频的语义纠错多在采样前优化或采样后细化，生成过程中缺乏检测与纠正机制。此框架首次将 MLLM 反馈注入扩散采样循环，进行实时的轨迹纠正，解决了生成中语义偏差未被干预的问题，提高了生成质量。
当前LLM在推理他人心理状态、跟踪社交关系等社会智能任务上表现不足（最好模型准确率仅72%），Zing首次提供了从测量、内化到部署时增强的完整解决方案，可能显著提升AI在对话、协作等社交场景的可用性。
此前 RAG 系统每次查询独立处理，丢弃推理经验，导致相关后续查询需重新检索和推理。LivingRAG 通过复用经验，提升准确率和效率，展示了 RAG 系统从无状态向有状态演进的趋势。
此前基准压缩主要建模任务与模型最终分数分布中的冗余，忽略了 agentic 评测中轨迹过程信息。该工作把过程信号纳入压缩，在更少任务下同时改善误差与排序相关性，并让筛选出的 miniset 能暴露不同 agent 的能力差异。
工业级通用 Agent 需要在不同训练阶段获得多种能力，但此前缺乏关于 Agent 持续学习的成熟配方，也不清楚各类集成范式之间的取舍。ACLArena 把遗忘与泛化拆到模型层和 token 层分析，并系统对比三类主流方案，使该问题从经验尝试转向可比较、可评估的研究对象。
此前代理系统缺乏标准化的可审计推理记录机制，决策过程依赖模型内部状态或简单链式思考，难以追溯和验证。TRACE提供了结构化的记录与消费契约，强制要求每次持久状态改变前记录推理轨迹，使得代理承诺可被独立审计和复现，有望提升高风险AI应用的透明度和问责性。
现有移动代理基准要么只测试表面屏幕操作，忽略后台工具使用和长程规划，要么依赖离线API匹配，脱离真实运行时约束。MobilePA-Bench填补了这一空白，提供了可执行沙箱和结构化反馈，能评估更接近真实世界的工具调用和规划能力。其发现（前沿模型在移动环境中不可靠）对移动AI代理的发展有警示意义。