传统 RAG 把记忆当作被动存储，难以区分带来源归属的主观信念与无归属的事件/事实记录，也难跨会话连接分散证据。CogMem 把来源归属和知识更新纳入记忆结构，并改用确定性图算子重建上下文，在知识更新与多跳任务上报告了更强表现，指向记忆系统从“检索片段”转向“重建结构”的路线变化。
此前多模态智能体通常先自由生成推理再执行动作，小模型因容量有限容易产出对动作帮助不大却成本高昂的长推理。SSR 把推理从开放生成改为候选选择，在保持任务成功率的同时大幅压缩推理延迟，说明小模型智能体的效率瓶颈可以从输出形式而非仅靠模型规模来缓解。
此前对 agent 的攻击多集中在单次提示注入或单个工具调用，这次展示的是跨 skill 的信任传递：上游 skill 的产物被下游当作可信依据，从而把攻击意图拆散藏在正常流程里。更关键的是，把工作流合并为单个 skill 后成功率从 84.3% 降到 17.4%，说明多 skill 串联本身放大了风险，而简单的检查文件防御会明显损害正常任务表现。
此前普遍把 SFT 视为训练专用工具调用 agent 的标准做法，默认锚定基座行为即可避免能力退化。该工作表明，仅约束分布漂移或更新幅度并无效，监督应当在何处、以多大强度偏离基座行为才是关键，这改变了微调策略的设计关注点。
此前上下文压缩通常统一处理所有信息，未区分安全规则与普通日志。该论文揭示这种做法的风险：压缩多次后安全规则可能丢失，导致合规失效。Knowledge Triage 框架通过分类定制保留策略，大幅提升规则保留率，为长时运行代理的可靠性和安全性提供新思路。
此前 TTT 只在 IMO 竞赛等预设场景有效，选错算法会浪费测试算力甚至损害模型表现；该工作把“是否、用哪种、能否复用”变成可学习的决策，使模型层面的自我改进从固定流程转向自主调用，并尝试跨领域泛化。
此前量化通常对 prefill 与 decode 采用统一方案，两个阶段对精度与访存的诉求被折中处理。该工作把二者拆开，使解码阶段保留更高激活精度而预填充走低精度计算，并在 8K 提示长度下取得 1.78 倍首 token 延迟加速，说明分阶段量化可在不换模型的前提下同时改善质量与延迟。
此前的两阶段剪枝把第一阶段完全交给视觉显著性，容易误删查询相关视觉证据，导致后续文本引导阶段缺乏关键信息。TReVS 把查询信息提前注入第一阶段，并改用高方差注意力头筛选浅层到中层 token，在极高剪枝率下仍保持较高性能，改变了剪枝流程的默认假设。
此前自动 judge 多用于短任务或单一应用，其在跨应用长任务上的可靠性缺乏公开检验。AgentHorizon 用指令—轨迹配对和交换指令的负样本，把“看似完成、实则违背约束或引入副作用”的错误变成可量化指标，使自动评测的可信度首次有统一对照口径。
此前编译器后端需为每种编程模型、负载和加速器单独构建与维护，成本高。该工作把 LLM 直接放在降级环节，绕开 Triton 编译器，并给出跨三代 NVIDIA GPU 的实测性能对比，说明大模型可以在局部场景中完成原本由编译器承担的优化转换，且性能可超过自动调优基线。
此前 VLA 与世界动作模型多直接复用通用视觉语言或视频生成骨干，在杂乱场景和微小目标的精确定位上受限。GroundingPI 用更小参数在多项定位基准上超过更大模型，并作为视觉骨干在机器人操作和自动驾驶上带来可测提升，说明专一定位骨干可能替代通用骨干。
此前 LLM 推荐把用户历史当作扁平的 token 序列，难以表达价格与质量权衡等决策语义。该工作把“目标、约束、权衡”抽成可检索的结构化证据，将记忆构建与在线推理解耦，并新增困难选择预测任务作为评测维度，使推荐从行为拟合转向对决策依据的显式建模。
此前招聘匹配多依赖关键词或单一向量检索，微调目标选择常缺乏公开对比依据。该文把 EmbeddingGemma 基础版、Cached MNRL 微调版与 MPNet 放在同一混合检索协议和上线打分管线中比较，并明确区分“本次实际测量的指标”与“完整评测框架”，使模型选型从经验判断转向可复现的对比证据。
此前研究多聚焦于通过微调、强化学习或多智能体框架提升 LLM 的函数调用能力，通常将工具调用作为独立上下文。该论文发现函数调用在标准用户-助手交互指令跟随场景下准确率更高，并提出解耦式架构，为资源受限的边缘计算场景提供了新的高效函数调用方案。
此前LLM代理无法识别任务实际所需的努力，往往无差别地读入所有上下文，造成大量浪费。E3首次引入了任务感知的执行范围估计，用最小资源完成正确操作，在成功率不变的前提下大幅降低了计算成本，为AI代理的实用化提供了重要的效率优化方向。