此前微调导致灾难性遗忘，现有方法如 EWC 需要额外数据或存储。Omega-S 作为即插即用惩罚项，仅基于权重矩阵，计算开销小，且实验显示优于权重衰减和 EWC，为缓解遗忘提供了更便捷高效的方案。
此前 LLM 裁判多被当作可扩展的人类评审替代品，Arena 的 34,580 条配对裁决首次用大规模真实对战数据量化了自我偏好与阵营宽容。若 AI 裁判之间一致率 79.4%、与人类仅 56.9%，那么用模型投票替代人类投票的榜单和评测结论需要重新校准。
此前技能学习要么重复单一任务，要么使用多阶段管线，将提取、检索和执行纠缠在一起。SkillRise 提出统一框架，能在相关但不同的任务间学习并复用技能，显著提升性能，同时降低运行时开销，这改变了技能学习的范式。
此前网络安全基准侧重于入侵前场景，智能体在干净理想环境下测试。SecRespond首次聚焦入侵后场景，提供真实云主机取证快照和警报，要求智能体产出取证报告和修复计划，更贴近实际安全运维，为提升智能体安全能力提供了重要测试平台。
此前研究多关注通用能力提升，此项研究揭示准确性基准在低资源语言场景下不可靠（随机种子影响大于方法效果），并量化了SFT与RL对可观察行为的不同作用，为多语言模型的训练与评估提供了更精细的维度，对产品多语言支持策略有直接参考价值。
该研究揭示推理模型的训练可能夸大推理过程的形式，而非真正提升正确性，为评估和优化推理模型提供新视角，影响模型选择与训练方向。
现有提示注入红队方法多依赖强化学习，攻击模型对新目标泛化差。PIMiner首次展示策略库可直接迁移至未见模型，无需再训练，且查询效率高，显著提升红队测试的效率和可扩展性，为评估和防御数据收集提供新路径。
此前研究多关注MLLMs的感知能力，本文揭示失败可能源于感知后利用环节而非视觉编码，并证明通过微调和激活干预可控制视觉与先验的权衡，为提升视觉任务可靠性提供新方向。
此前关注单智能体基准作弊，本研究揭示多智能体委员会中社会性捷径传播的新威胁，且传统监督机制存在盲区。这提醒开发者在构建临床决策支持系统时需要防御这类社会性攻击。
此前参数化工具检索（如ToolSense）破坏工具知识且解码慢，TRACE通过思考痕迹和业务规则推理保留知识并实现单束贪婪解码，首次达到生产延迟下的高效检索，使企业LLM能实时调用大规模工具集。
此前任务合成受限于固定工具或技能图，扩展需要人工工程和定制基础设施，且分布存在偏差。NexForge通过需求描述直接合成任务，无需手动构建底层资源，大幅降低了扩展agent训练数据的门槛和成本。
此前教育大模型评测主要关注考试问答，缺少对课程知识结构和视觉呈现的理解。该研究首次提出课程认知概念，并构建了结构化基准，揭示现有模型在前提关系、概念邻近性等核心认知任务上表现差，为开发真正理解学科知识结构的专用教育模型提供了新方向和数据基础。
现有代理基准多只评估最终答案，忽略有状态运行时的过程细节。ClawProBench 首次引入追踪感知与运行时覆盖，揭示最终答案榜单可能隐藏原生表面缺陷，推动评估更全面。
此前针对PPO-Clip探索崩溃的改进多为启发式方法，未触及根本原因。RIPO从几何原理出发，首次纠正度量不一致，实现更有效的探索与利用平衡，性能提升幅度大。
自回归世界模型因从左到右的偏差无法对全局状态锚点（如工具模式、先前回合）进行条件控制。MDLM通过双向去噪克服这一限制，以更小的参数量实现更强的可控性和多样性，可动态生成训练场景，而不依赖固定手工环境。