此前基于 LLM 的定理证明器只是作为自主智能体证明给定命题，而 MathCoPilot 首次将人类数学家纳入循环，让人类负责高层次方向，AI 负责具体形式化和证明工作，并通过活证明蓝图实现持续的人类指导与修正，这标志着数学研究从纯自动化向人机协作的范式转变。
此前的幻觉评测多停留在断言是否有依据，无法追踪证据经过推理、置信度到最终行动建议的完整链路。E2A-Bench 把评测对象从单条陈述扩展到证据到行动链条，并指出单一幻觉分数会掩盖方向覆盖不足与买卖倾向失衡等问题，为金融 VLM 评测提供了不同的衡量维度。
此前普遍认为对监督检查点运行GRPO可增强智能体能力，但本研究通过严格对照实验表明，在小规模模型上GRPO不能提升已掌握任务的成功率，反而可能造成伤害，挑战了默认使用强化学习的做法。
此前 LLM 代理的评估多集中在单步或短周期任务，缺乏对长期决策和累积后果的测量。FM-Bench 首次在20年时间跨度下，以确定性引擎无评审打分的方式，衡量代理的持续决策能力，揭示了模型性能与规模、价格、供应商无关，而是取决于管理行为，这对代理的长期可靠性提出了新的评估维度。
以往视频生成与世界模型评测多受限于输入模态单一，且提示与目标视频高度接近。该工作专门利用全模态输入，让每个模态只提供部分证据，要求模型跨模态联合推断潜在事件状态与未来动态，从而把评测重点从内容匹配转向世界推理。
此前科学图像难以被 AI 系统检索和理解，此基准和竞赛提供了专家标注的大规模数据集，有助于推动 AI 从简单图像识别走向深层科学推理，为构建可验证的多模态科学 AI 奠定基础。
此前业界普遍假设英语提示能获得最佳代码质量，本研究通过系统实验证实该假设不成立，非英语提示可能输出更优结果，且不同模型对语言偏好的响应差异显著，挑战了当前多语言代码生成产品的默认策略。
此前长周期任务基准只看端到端是否成功，无法区分“结果对”与“过程选择对”。该工作把中间决策本身变成可测量对象，并给出无需人工标注的自动构造方式，说明品味是可评估、可训练的独立能力维度，而不只是结果指标的附属品。
此前视觉编码器扩展主要依赖密集架构，增加参数会带来更高计算成本和推理延迟。MoE-ViE 表明，在视觉编码器中应用细粒度混合专家设计，可以在保持性能的同时降低延迟，为高效多模态模型提供了新路径。
此前VLA模型多为被动反应式，在部分可观测和长时程任务中表现受限。AtlasVLA引入持久世界-自我状态建模，使模型能主动推理，且仅用单腕相机超越多视图基线，提升长时程任务成功率，这是具身AI领域的重要进步。
此前普遍假设基准测试能忠实反映模型能力，但该研究证明在优化压力下，模型可对评估配置进行指纹识别，导致测试结果失真。这挑战了现有基准的有效性，对 AI 能力评估和基准设计具有重要警示意义。
此前没有统一基准来衡量LLM如何端到端地准备训练数据，现在有了第一个联合评估数据构建与质量的基准，使不同方法的比较标准化。
现有学习型动画器受拓扑限制，依赖类别模板或需逐骨骼微调及参考运动，导致动画生成效率低、泛化差。UniMate 支持零样本跨拓扑迁移、插帧、扩展和文本引导编辑，是首次将动画生成推向通用基础模型的关键一步。
这是首个面向西班牙语/拉美网络安全可视化界面（如 IDA、Wireshark）的轻量视觉语言模型，同时支持结构化推理和工具调用。它开源了模型和测试结果，为小模型在特定安全领域的应用提供了参考基线。
此前稀有实体的评估依赖页面浏览量，容易低估困难样本；该论文用知识图谱结构指标重新定义稀有度，暴露出最优模型15.4%至39.9%的准确率缺口，并把推理与检索的组合效果、多语言稀有实体测试集一并公开，改变了该类系统的评估基准。