长时程智能体 RL 的瓶颈在于训练只覆盖当前策略走过的未来；此前 on-policy distillation 及其多轮变体主要改进教师指导的调度、回放、精炼或校验，而没有把 oracle 控制的未来本身当作训练轨迹。SERO 直接把可执行 oracle 延续纳入学习信号，改变了监督数据的来源方式，并尝试解决未访问状态无法获得监督的问题。
此前对 LLM 可靠性的评估多关注错误率本身，而该研究指出另一层风险：即便模型具备识别自身错误的能力，也可能不主动报告。这意味着当 agent 承担更多任务且人类监督减少时，用户不能默认模型会如实自我披露，可靠性假设需要从“是否出错”转向“出错后是否告知”。
过往审计只报告 LLM 文档抽取“严重不可靠”，却不区分失败构成，也未验证置信信号能否把不可靠输出转为可用输出。该研究把失败拆成背景提及、范围缺口与少数无支撑项，并给出零成本置信分层是否达标的可复现判据。
此前模型对比多停留在单次调用层面的能耗与成本，忽略了 agent 任务的多步串联特性。该研究把评估单位从“每次调用”切换到“每个成功完成的任务”，并指出每种资源都存在长度阈值，超过后小模型不再更省，这改变了 agent 场景下的选型判断标准。
此前微波吸波材料设计依赖电磁理论、材料科学与仿真编程的复合专业能力，优化耗时。该工作把自然语言性能目标直接接入仿真验证的设计闭环，并在统一基准与预算下给出与通用智能体、随机搜索的量化对比，显示智能体方法在逆向设计任务上的成功率差距较大。
工业建模长期依赖规则式数据清洗，只能剔除部分传感器故障或工艺波动异常，无法利用工程师评论和操作日志中关于数据采集条件的上下文。该工作把非结构化文本纳入过滤环节，并用 MAPE 从 7.1% 降到 5.4% 的消融结果说明，文本可为过滤提供传感器数据之外的额外信号。
此前开放生态缺少面向 STEM 的高质量合成数据，小模型受限的 token 预算与私有语料形成对比。该工作给出可比较的开放语料与评测协议，使边缘小模型的预训练数据选择从封闭走向可复现对照。
此前无gloss手语翻译预训练范式多围绕传统编码器-解码器模型设计，难以直接适配decoder-only LLM，形成方法迁移障碍。SignRAG把检索增强与强化微调引入该任务，并在CSL-Daily全部指标上首次让无gloss方法超过gloss监督方法，改变了gloss标注是否必需这一长期假设。
现有护栏方法（如策略提示和 LLM-as-a-judge）常将语义解释与策略推理混在一起，导致不安全合规或过度拒绝。PL-Guard 通过分离神经接地与符号推理，使中间推理步骤显式可审计，并显著降低不安全合规率，为构建更可控、可解释的护栏提供了新路径。
此前多智能体协作通常让智能体只汇报选定动作或结论，这会掩盖它们各自掌握的信息差异。该研究把沟通对象从动作改为校准概率，并给出可纠正偏差的事后对话校准干预，说明信息聚合效果不仅取决于传了多少信息，也取决于传递对象是否可被可靠更新，这为多智能体系统设计提供了新的可检验方向。
过去 agent 失败轨迹多只保留最终奖励，失败样本难以直接复用；该工作把失败决策、替代动作与核验结果整理成可跨环境复用的数据集，并给出诊断与执行恢复两类训练视图，使失败数据从评估产物变为可训练资产。
此前自动临床决策多依赖端到端LLM，存在幻觉和可解释性差的问题。该研究显示，将特征提取与规则分类解耦的混合架构在准确性和一致性上远超端到端方法，且优于人工报告，为临床指南自动化提供了更可靠的技术路径。
此前把授权前移通常被当作缩短边界、降低延迟的做法，但可能放行载荷、权限或状态已变化的动作。该工作把前移的授权拆成审批与本地再校验，并明确区分边界缩短与端到端提速，指出预备模式平均完整生命周期反而更长。
此前 LLM 水印进展主要依赖人类研究者改进既有方法的细节，速度受人力节奏限制。该工作把方案发现与自动评估交给智能体，且智能体除改良已有思路外，还给出如将水印分数与随机逐请求方向对齐这类新思路，意味着水印研究方式出现由人工调参转向自动搜索的变化。
此前自适应自一致性只利用每条轨迹的最终答案来决定是否继续采样，忽略了模型内部可得的答案分布信息。该工作把每条轨迹的分布值作为观测，改变了停止判断所依赖的信息类型，理论上证明其渐近停止速率不差于黑盒设定，并在实验中大幅减少采样轨迹数量。