此前研究聚焦技能获取、进化和检索，忽视了技能是否真正对智能体行为产生正面影响。该研究通过系统审计揭示了技能库中的隐性故障，并给出可操作的修复方法，推动自进化智能体向更可靠方向发展。
此前研究多关注VLM在视觉与推理上的失败，但视觉呈现方式对性能的影响尚不明确。该研究提出轻量级输入侧脚手架，无需改变底层推理问题即可显著提升准确率，表明视觉呈现是决定基准测量内容的关键因素，为改进VLM评估和训练提供了新方向。
此前科学安全基准多使用模板查询，与真实危害脱节，且依赖缺乏领域基础的大模型评判。SciHazard 基于真实世界危害场景和监管实体，引入分解式评估方法，显著提升了评估准确性，并首次系统揭示深度研究代理在科学安全方面的脆弱性。
传统 Grad-Shafranov 求解器不适合实时部署，该工作系统对比五种 AI 架构，在统一协议下评估准确率、速度、扩展性和鲁棒性，并进行设备级验证，为选择可靠代理模型提供实用指导，可能加速托卡马克实时控制系统的研发。
此前LoRA多租户系统面临高秩高开销、低秩弱性能的取舍。SALT通过将高秩性能分离到不变的基础层，使每个租户只需运行极低秩残差，大幅降低显存占用和PCIe交换开销，同时恢复高秩精度，为超大规模多租户服务提供新路径。
此前视觉-语言模型在结肠镜中的应用较少，因为常规报告总结整个检查过程而非逐帧描述，导致临床发现与图像关联弱。EndoCLIP 通过恢复报告与对应病灶图像的对应关系，将常规文档转化为大规模监督信号，使临床目标可以通过语言描述而非逐任务标注来实现，降低了医疗 AI 开发的标注成本。
此前机器验证成本高昂，仅适用于特殊项目。该研究显示，AI速度下验证变得经济且必要，成为AI代理自主工作的可靠裁判，可能改变硬件设计和验证的流程与成本结构。
以往研究多关注训练或推理时扩展，较少关注构架期的技能组合。SKIMIX 提出一种动态选择与组合技能的方法，并揭示任务类型影响技能集成效果，为可扩展智能体设计提供了实证依据和实用指导。
此前普遍认为模型拒绝回答意味着相关内部信息被抑制或擦除，而该研究证明即便是干净拒绝，正确答案仍隐藏在内部表征中，且释放极易，这挑战了现有安全审计假设，对模型对齐与审核实践有直接冲击。
此前混合精度量化依赖软件管理的缩放和频繁反量化，开销大；数据旋转方法与新兴的MXINT硬件格式不兼容。MXSens在硬件层面利用MXINT块结构，通过细粒度敏感度指导分配位宽，无需训练即可达到更高精度，同时消除了软件开销，为LLM量化建立了新的精度-效率平衡。
此前基于机器学习的慢性肾病筛查依赖大型标注数据集、资源密集型病理测试或高维临床特征，难以在社区和资源有限场所部署。该研究证明仅需少量易获取的社区特征，无需训练即可使用LLM达到适合筛查的性能，大幅降低了部署门槛。
此前多模态协作通常默认模态齐全，论文指出模态缺失下协作收益会衰减甚至转为负向，且锚点输入未变也会受影响。这意味着多模态系统的鲁棒性评估需要按缺失程度分层，而非只看完整输入时的平均表现。
此前研究主要用成员推理评估量化对隐私的影响，并暗示量化可降低隐私风险。本研究直接测量逐字提取，发现量化并不能有效移除记忆数据，尤其在大模型中4比特量化仍可复现大部分内容。这挑战了量化的隐私保护效果，提示从业者应关注提取风险而非成员推理。
此前PSN-IRT只能输出点估计，无法区分模型间的真实差异；Laplace-PSN-IRT首次在神经IRT框架中提供校准的不确定性度量，使开发者能基于统计显著性判断排名变化是否可靠，避免被点估计排序误导。
传统方法依赖调查和实验校准个体参数，难以通用化且成本高；LLM无需参数标定即可模拟人类非理性决策，有望大幅降低大规模行为仿真的门槛。