此前生产可观测工具只报告总 token 成本，不区分节点自身生成与外部注入的 token，导致这部分账单对付费团队不可见。该研究把不可见的记忆注入成本显式归因，并给出随深度增长的比例数据，使成本拆分从估算变为可测量。
此前多数 AI 方案只处理 CMR 流程中的单一任务，采集、后处理和解读彼此割裂，难以进入临床工作流。该工作报告了首个经临床评估的扫描仪原生端到端 CMR 基础模型，把多项任务和报告生成合并到约 90 秒的单次流程中，并给出多厂商队列上的量化表现，方向从孤立任务转向流程整合。
此前金融 AI 研究分散在时序预测、文本分类、图建模与 MLOps，缺少把事件时间可观测性、概率校准、执行时点、交易成本、流动性、容量和统计推断放在一起测试的领域协议。该论文提出了一个可联合评估信号是否在真实决策系统中仍有效的框架，并给出与证券链接及数据时效隔离的评估设定。
过去评估多智能体通信多依赖最终准确率，容易把有效通信、智能体架构优势与额外推理混为一谈。该工作把通信效果拆成纠正与保留两类行为，并用无消息对照量化额外推理的贡献，使评估从单一结果转向可分解的过程指标。
此前 omni 模型主要强调感知与交互，而该模型把重心转向多模态理解、推理与长程任务，并通过原生多模态协同训练把文本域已有的 agentic 能力迁移到音频和视频任务，使多模态模型不再只是对话前端，而更接近可直接承担生产流程的智能体。
以往对齐评估多依赖行为测试，难以区分是规范本身有缺陷还是模型行为偏差，而形式化自然语言规范又会丢失细节。VeriSpec 把审计对象从模型行为转向规范文本，提供了与行为对齐评估互补的缺陷发现路径，并已在真实规范上被人工确认和开发者采纳。
此前 LLM 社会推理研究多集中在情感、道德或常识层面，缺少对责任与责备归因的系统测量。该工作首次以归因理论为框架构建大规模基准，并加入对内部表征的探测，把评估从输出层面推进到机制层面，为理解 LLM 在社会技术系统中的判断可靠性提供了可复用工具。
此前评估 AI 群体风险多采用临界质量动态，即寻找单一临界点、衡量直接竞争所需的最小对抗比例。该研究指出这种方法会低估系统脆弱性：间接路径可能以更少的对抗 agent 改变群体均衡，说明安全评估不能只看单点阈值，还要看均衡之间的连通结构。
此前合规手段多集中在已训练模型的输入输出过滤，属于静态、局部优化。该工作把合规检测前移到训练全过程并引入实时预警，意味着合规从结果侧后置检查转向训练过程的持续干预，思路与覆盖范围均有变化。
以往对无代码修复的验证主要依赖人工操作浏览器复现与确认，耗时且难以规模化。该研究把验证环节改为可执行的自动化流程，并系统比较不同执行器对同一批修复判定结果的影响，量化了执行器差异带来的结论波动，使无代码修复评估从人工抽检转向可重复的端到端测试。
此前中医诊断的舌象、脉象等核心信息难以量化和标准化，AI 介入缓慢。该工作报告了从多模态图像到结构化临床描述、再到统一数字记录的处理路径，并给出相对基线的显著准确率提升，说明中医诊断的标准化建模在方法层面出现了可测量的进展。
此前多机器人协作多依赖集中式 LLM 策略或纯语言通信，团队规模增大后性能明显下降。该工作把控制反馈放到推理空间并本地生成，显示可扩展至训练规模 16 倍、上千台机器人，且对模糊指令零样本泛化，为大规模群体控制提供了新路径。
此前序列推荐要么只用目标用户自身历史、丢掉邻居用户的协同信号，要么靠反复调用 MLLM 处理长历史、算力成本高。该工作把协同信号注入与单次推理合并到同一框架，在保持效果的同时改变了推理成本结构，为后续推荐系统与多模态大模型结合提供了新的权衡路径。
此前多智能体心智理论研究与工程实现往往分离，人类与智能体的交互多为单轮或单智能体。该工作把社会性与情感建模、多模态人机接口和分布式推理放进同一可运行架构，并公开代码，使多智能体社会情感模拟从概念讨论转向可复现的系统实现。
此前空间推理基准多只考察对输入中已可见关系的感知，而该基准把评估推进到“预测干预后未观测到的结果”。它同时暴露出模型与人类之间接近 30 个百分点的差距，以及空间专精模型接近随机水平的现状，为判断模型是否具备真实空间智能提供了更明确的分层标尺。