本期概览

此前评估多模态搜索系统只关注最终答案准确性，忽略了中间搜索过程的质量。该研究系统性地揭示了六种隐蔽故障模式，证明常规指标存在盲区，这意味着依赖此类系统的产品可能隐藏不可靠性，影响用户信任和业务决策。

传统LLM优化器多针对源码级优化，而AsmEvo直接作用于编译后的二进制，无需源码，这为闭源或生成代码的优化提供了新路径，且能在保持功能等价的前提下获得显著加速。

现有基准主要考查预测正确性，PertReason 则要求同时检查推理过程的机械合理性。它暴露了标准测试中不可见的失败模式，为科学 AI 的忠实性评估设立了更严格的标杆，直接推动模型研发从“答对”转向“想对”。

现有不确定性量化方法多依赖 token 概率或单步置信度等局部信号，无法捕捉跨步骤的错误累积。RUPA 通过图结构传播不确定性，首次显式建模执行轨迹中的长程依赖，提升了复杂交互环境下智能体故障的早期识别能力，为 LLM 智能体的可靠部署提供了新思路。

此基准不再仅报告任务准确率，而是系统诊断管道失败原因与级联起点，引入级联半径和按失败模式恢复率指标，为多智能体编排从演示走向生产提供了可复现的评估方法，并显示关键词路由在对抗性场景下失效，意图推理更稳健。

此前失败归因依赖昂贵的人工标注或耗时提示流程，OAT 无需任何失败标注即可高效诊断，使调试门槛显著降低，尤其适合快速迭代的智能体产品开发。

此前单模型推断人格存在一致性差和潜伏偏差问题，该框架通过多角度视角和心理测量监督，提供了更可靠、可解释的文本人格推断方法，为自动化人格分析技术带来实质性改进。

此前 AI 克隆主要关注说话内容和声音，忽略倾听行为。该研究首次实证表明，加入倾听行为能显著提升用户感知的真实感和共在感，为 AI 克隆产品提供新的优化方向。

此前多智能体系统依赖经验性编排与反思，缺乏统一理论。该论文首次用博弈论刻画协调与记忆更新，并证明纯文本门控存在信息论局限，而接地门控可打破局限，为系统设计提供理论边界。

此前弱信号检测依赖关键词频率、主题建模或未标注图结构，难以捕捉语义和关系结构。C-Unseen 将 LLM 推理引入动态时序知识图谱，能识别与主流叙事冲突的稀有子图并跟踪其持续性，检测能力超过现有基线，为早期信号发现提供了新路径。

此前压缩率固定或离线选择，忽视设备负载变化。该研究首次表明边缘压缩本身有成本，且存在性能拐点，推动动态压缩策略成为边缘AI研究方向。

此前团体旅行规划多依赖单用户或规则系统，该框架首次利用多LLM代理模拟不同人格的协作讨论，为研究多智能体协商和偏好满足提供了可配置的实验平台，揭示了代理间对话式决策的可能路径。

以往优化函数调用多靠改进模型或提示词，AgentWeave 提出在推理前先缩小候选工具集，对固定模型即可显著提升效果并大幅降低成本，为工具丰富的 LLM 应用提供新思路。

此前研究多关注LLM生成合规文档的可行性，但未系统评估数据提取指令和法规模糊性对输出质量的影响。该研究首次填补这一空白，通过基准测试揭示宽松指南需要更高上下文提示，为实际部署LLM合规工具提供了实证依据。

此前研究者通常为模型固定一种推测解码结构，而 AngelSpec 证明不存在普适最优方案，并首次提出按领域（聊天 vs 代码/数学）自动适配 drafter 类型和验证深度的工程方法，这直接改变了推理引擎针对不同任务优化策略的边界。