现有MLLM自增强方法侧重文本，图像增强多为通用或手工变换，与模型实际能力弱点关联弱。FISA首次系统性地从模型失败案例构建图像增广，在分布内和分布外均显示性能提升，为降低多模态数据标注成本提供新路径。
现有 LLM 代理将外部记忆视为单调增长的存储库，导致检索退化和计算成本上升。该研究将管理重心前移至写入阶段，通过选择性外部化和参数化整合，可能改变代理长期记忆的设计范式，提升效率与可扩展性。
传统渗透测试是确定性、窄范围且需专业操作者；新型自主代理的非确定性使事故归因难以进行、安全审查失效，且大幅降低了攻击技能门槛，显著改变攻防平衡。
此前企业级 LLM 评估多依赖简化合成数据，且企业不愿共享内部数据，缺乏真实规模的测试基准。CorporateBench 首次提供接近企业通讯网络规模、且保证跨文档逻辑一致性的基准，填补了评测生态的关键空白，使企业能更准确地评估 LLM 在真实场景下的表现。
以往自动形式化关注证明是否编译通过，忽视其是否忠实于自然语言论证。Pistis 首次提出忠实证明的五个必要条件，并通过搜索策略保证满足，使形式化证明可用于检验人类或 AI 论证的推理过程，为数学和软件验证提供更可信的工具。
此前智能体模型主要依赖后训练阶段生成的工具调用轨迹，覆盖新任务成本高昂。SPT 利用公共技能包作为预训练数据，降低了数据获取成本，可能改变智能体模型的训练范式。
此前缺乏确定性检测 AI 改写中信息可核查性丢失的方法，FACTWASH 提供开源、非 LLM 的判断门，并量化了不同场景下的失败率（对话传闻中 55%，商务邮件中 7%），为部署者提供决策依据。
此前工具选择方法只对候选工具排序，但未决定实际选多少个，导致要么信息不足要么成本过高。CAM-DF首次将停止决策与成本感知结合，在保持任务成功率的同时大幅减少工具暴露数量，降低了上下文负载、隐私暴露和调用成本。
先前食用油鉴别依赖繁琐的化学或全光谱分析，可解释性差，难以嵌入食品质检流程。该研究将特征从千余个压缩至四个，保持高精度，同时用物理分解处理复杂基质，使快速、低成本、可解释的食用油真伪筛查成为可能。
该研究首次将心理学的内隐联想测试改编为提示词，直接检验LLM在种族维度上的情感偏见，为评估模型公平性提供了新方法。但结果显示证据微弱且不稳健，提示当前LLM在种族情感上可能无明显差异，或检测方法灵敏度不足，对AI伦理评估实践有参考价值。
此前基于查询的静态分析器存在误报和漏报，且优化方法依赖标记数据或commit历史。ARQ无需这些数据，仅靠合成程序作为执行依据即可自动修复查询，大幅提升检测能力，同时保持了高精确度，为静态分析工具改进提供了新路径，可能影响C/C++代码安全检测产品的效果。
此前关于GenAI教育应用的证据多集中于初级课程或代码生成，缺乏对高年级理论课程的严谨对照。本研究首次通过随机交叉设计，在算法课程中检验评估式学习的实际效果，发现局部优势未转化为总结性收益，为教育产品设计提供了重要参照。
现有幻觉缓解方法假设用户输入可靠，未考虑输入中事实错误对模型推理的误导。DEDUCE 首次系统性地针对输入事实扰动提出三阶段纠正框架，将模型从被动输出转为主动纠错，为提升鲁棒性提供新路径，并配套数据集与评测指标，推动评测标准化。
此前 LLM 智能体处理数据科学任务时依赖少量提供的数据集，难以从大规模、多源异构数据仓库中发现并利用相关信息。UrbanDS 通过图结构组织数据集技能与关系，使智能体能够自主检索相关数据集并协作执行，为城市数据分析这类复杂场景提供了可复用的系统框架。
此前普遍认为LLM可全面替代嵌入模型，但本研究用受控实验揭示了成本与性能的权衡，表明两者不是简单的替代关系，而是分场景各有所长，为技术选型提供了量化依据。