本期概览

以往对学术生态的研究多依赖真实历史数据或简化模型，难以做可控的反事实实验。SciUtopia 把 LLM 智能体与闭环机制结合，可大规模、跨年份地复现审稿、资助、引用等流程，并支持定向干预实验，为科学政策与平台机制研究提供了新的可配置试验台。

以往地理评测关注模型知道什么，较少检验给定正确上下文后模型是否依据上下文推理。该基准把“引用摘要”与“参数记忆”区分开，并明确测量模型是否会坚持被摘要否定的错误前提，使地理问答的评估从知识覆盖转向上下文忠实度，同时全程使用开放数据与开放权重模型。

此前的推理调控多依赖预设 token 预算、固定干预规则，或需要重训目标推理模型与额外监督。MetaCtrl 的差异在于不改动冻结模型、不设问题级预算，仅靠强化学习训练控制器，就让准确率与简洁性同时改善，并显示出跨模型迁移能力，改变了压缩推理通常牺牲准确率的取舍假设。

此前模型安全主要处理已发布固定模型中的既有能力，即回顾式遗忘；该工作把防线前移到发布之前，针对未知攻击数据和未来微调流程做防护，指出仅压制当前输出并不足以阻止能力被重新获取，改变了开放权重模型发布前的安全假设。

此前第三方 skill 市场已被证明存在恶意 skill，防御思路是安装前静态扫描加 LLM 语义审查。这篇论文表明，一旦攻击者了解检测器，静态检查会因载荷转为自然语言而失效，LLM 审查也能被合法用途包装和指令拆分压低到拦截阈值以下。这改变了 skill 安全审查的可信度前提：检测器的隐蔽性本身成为防御的一部分。

此前多数结论只看最终指标，无法判断 LLM 究竟靠初始先验还是靠实验反馈做决策。该研究把两者拆开验证：LLM 不仅在未看验证分数前就给出接近随机搜索池顶部的首选配置，而且验证分数被重新分配后其下一次提案会改变，说明其决策同时受任务描述与观测结果驱动，这为评价 LLM 科学智能体提供了可归因的干预方法。

此前语言世界模型多把重心放在预测环境观察或工具响应，但真实反馈可用时这类重建价值有限，且历史中的错误假设会持续污染后续决策。该工作把世界模型目标从模拟工具输出转为编辑任务状态，直接回应了 task-state contamination 这一失败模式。

此前 KEE 评估多以聚合准确率为主，会把“恢复失败”和“干扰成功”两类相反效果压成一个分数，难以判断技术究竟带来了什么。MAPLE 提供了区分恢复与干扰的多层诊断指标，使不同 KEE 技术之间可以做更细的比较。

此前长上下文优化的重点多在降低计算成本，但 prefill 开销、KV cache 占用的 HBM 与 SSD 容量及数据传输带宽仍是部署成本瓶颈。该模型在 KV cache 占用降至数分之一的同时性能优于基线，意味着长上下文与 agent 类负载的成本结构可能出现实质变化。

此前多模态时间序列LLM难以处理临床数据的稀疏性、异步性和不规则采样模式。ClinPRISM通过专用架构解决了这一关键局限，并以极低的计算成本（仅16个令牌）实现了快速推理（0.15秒），使临床问答更实用。

此前上下文表示的设计多凭经验，缺少可比较的准则，模型规模常被视为推理上限。该工作把表示设计原则化，并在公开基准上显示小模型配合 R3Con 可超过大模型基线，说明表示质量可以部分替代模型规模。

此前的恶意 Skill 审计多依赖能力强的商业 LLM，在安全敏感和资源受限场景中难以落地；该工作把审计能力下移到可本地部署的紧凑 LLM，并针对复杂 Skill 包中隐式恶意行为提出证据引导方法，说明第三方 Skill 供应链安全开始从依赖云端强模型转向本地可部署方案。