本期概览

此前 LLM 在 astronomy 与 astrodynamics 等专业领域受限于多步推理、符号运算和术语理解，效果有限。该工作把领域适配、外部知识检索与回退机制组合起来，并给出可复用的 299 题基准与双重评测口径，使专业领域小模型的可用性有了可比较的证据。

此前多智能体系统的改进方向多集中在提升单个模型能力、增加推理步数或消息传递。该研究指出存在一类结构性边界：无论模型多强，只要决策所需区分未进入其观测，成功率就受 1/k 约束。这把问题从模型智能转向共享状态与提交治理，并给出可复现的量化证据。

以往评测多关注叙述是否流畅或通常意义的幻觉，而该工作把注意力转向“声明是否可由结构化证据支撑”，并给出可复现的配对基准与拒绝率指标。它提醒产品方，模型说得通不等于有据可依，且需同时观察声明存活率与输出量的变化。

此前 LLM 图学习多依赖单智能体推理，多智能体协作主要在通用推理场景研究，图学习是否受益、协作策略如何设计缺乏统一评测。GraphMAS 首次给出可比较的基准与协议，把焦点从“堆叠更多交互”转向“按实例选择专家”，为图学习方向的架构选型提供实证依据而非经验判断。

系统提示、模板化 RAG、agent 框架与多轮对话让重复前缀日益普遍，vLLM、TensorRT-LLM 也已提供 KV-cache 复用机制；但此前缺少在当代加速器上系统界定其有效边界的公开测量，团队难以判断收益何时被调度、缓存粒度、并发或显存压力抵消。

医院AI部署多为部门级孤岛，70-80%试点难以规模化。该研究提出将合规与策略集中化的多层架构，为医院AI从单点工具走向平台化、合规化提供了可落地的蓝图，可能改变医院AI的采购和实施模式。

此前工作直接用 LLM 做知识概念标注，但候选集合规模大导致决策空间维度高，模型难以从中选出正确概念。该工作把任务拆成筛选、推理、评判三段，并配合强化学习与剪枝，在小规模候选上完成推理，声称在多个基线上取得稳定提升，并补充了两个学科数据集用于验证。

此前提升机器人能力通常依赖人工设计技能、奖励与感知控制集成，或通过更新模型权重再训练。该工作报告了不改权重、以仿真练习加执行反馈迭代技能库与提示词的路径，并在留出任务初始化和真机试验上给出数值结果，同时将 ASPIRE、CaP-Agent0 作为对照基线。

此前通用大模型缺少电信领域知识支撑，而电信专用模型多面向单一任务族，多任务推理能力有限。该工作用统一后训练流程同时覆盖协议、知识、建模与故障四类异构任务，并把奖励拆解为可验证推理单元，尝试让模型从可核验的电信证据中学习通用解题行为，方向与单一任务微调不同。

此前 HRM、TRM、URM 等模型在架构、梯度传播和训练流程上同时存在差异，难以判断性能来源，且优化常不稳定。该工作通过统一流程与受控消融，把性能差异主要归因于训练配方而非显式层级架构，并给出可复现的稳定配置。

此前 CUAs 评测如 OSWorld 只看数百步后的最终交付物，用功能验证器判定成败，无法说明代理在何处、为何失败。OSWorld-Pro 把评估粒度从终点结果细化到子目标过程，使不同失败类型可被区分，例如键盘输入出错与点击定位不准对应不同改进方向。

以往人形机器人注视多依赖固定追踪规则，难以刻画人类注视中眼、头、眼睑耦合的时间结构。该工作把目标选择、注视维持和运动生成拆成异步模块，并首次在机器人关节空间验证注视动态的运动学保真度与实时推理，为机器人非语言交互提供可复用的技术路线。