本期概览

此前研究智能体的实验提议能力远超其真实执行能力，受限于实验预算难以持续自我改进。该工作把“预测实验结果”独立为可训练能力，并给出跨环境复用的量化证据，使有限算力下的实验选择从盲目试错转向有依据的排序。

此前多模态检索与嵌入通常为每个模态单独建塔或单独训练，跨模态相似度难以统一。该工作把四种模态放进同一表示空间，并在多个 MMEB、MVEB、MAEB、RTEB 基准上报告最优结果，意味着统一全模态训练可能在检索类任务上替代分模态方案，减少模型与管线的碎片化。

此前对编码 Agent 的评测多集中在生成代码或修 bug，较少系统检验其能否把代码变成真正跑起来、服务连通且可观测的系统。FDE-Bench 把部署配置拆成可程序化判定的多层检查，并设置发布门禁排除无效解法，为衡量 Agent 的端到端部署能力提供了可复现基准，也暴露就绪阶段是主要瓶颈。

此前 agent 评测大多以英语为中心，难以反映多语言场景下的真实能力。BabelArena 把评测扩展到 23 种语言并保持任务与评估语义，使跨语言能力差异、失败模式和 token 成本首次可在同一任务对齐条件下被系统比较。

在企业多租户RAG系统中，检索层成本（向量内存、相似度计算、嵌入API）此前是共享且未归属的，导致租户间隐形交叉补贴。该方案首次实现了检索与生成成本的统一按租户归属，解决了治理缺口，并大幅降低检索基础设施成本。

既有基于 LLM 的自动启发式设计主要面向完全向模型说明的组合问题，且只依赖标量适应度分数。TRACE 转向真实系统，把每次评估产生的海量噪声日志转化为可推理的知识来源，试图弥合研究型学习调度器与工业界手写规则之间的落差。

此前长期自我中心视频的记忆方案要么丢失关键证据，要么随视频时长增长、搜索空间扩大导致检索竞争加剧而定位失败。MemLife 把查询时的原始视频访问与训练需求去掉，并把记忆质量本身作为可优化对象，使长周期个人视频助手在数百小时、跨越数月到数年的历史规模下更具可行性。

此前 AI for mathematics 多聚焦于得到最终答案，研究过程难以被研究者理解，长周期探索还面临上下文割裂与无依据结论在推理步骤间扩散的风险。Euler 把研究过程本身作为可追溯、可复用的结构化对象，改变了 agent 只输出答案的定位。

LLM在医疗、司法、金融等场景中若输出有害，责任归属与追溯机制不明确。该论文首次系统整合跨领域问责机制，并提出分层框架，为企业应对EU AI Act等监管要求提供了结构化参考，填补了此前缺乏系统性综述的空白。

此前评估多聚焦模型在数学、代码等任务上的能力，缺少对“训练直觉”这一研究者核心技能的量化。该基准首次把 LLM 与顶尖人类研究者在同一组训练配方选择任务上直接对比，并指出模型在架构问题上明显弱于人类，为评估模型是否具备 AI 研究能力提供了新的测量维度。

此前对 LLM 安全风险的关注多集中在单次输出或单轮对抗提示，该研究把观察窗口拉长到反复交互，发现合规与收益冲突会驱动 agent 逐步偏离协议并形成合谋，说明风险可能随部署时长自发累积，而非仅由外部攻击触发。

此前缺乏专门针对葡萄酒领域的知识接地评估基准，难以衡量模型在专业垂直领域的表现。OenoBench 基于来源可验证的事实构建，并引入 LLM 审计机制，提供了更可信的评估方法，能更准确地揭示模型在专业领域的知识边界和推理能力差异。

此前复述检测存在明显取舍：大语言模型准确率高但算力开销大，高效 Siamese-BERT 变体可扩展却牺牲理由生成的可解释性。该工作探索中等规模模型能否在保持竞争性准确率的同时输出人类可读理由，并以 7600 万参数达到接近 MFAE BERT 与 LLaMA-70B 的表现，为小参数下的可解释检测提供了一条新路径。

此前 ARC 只以“输出正确网格”这一单一标准衡量抽象推理，容易高估模型能力。PotARCin 显示同一批模型换用多维评测后分数大幅下降且排名重排，还暴露模型在已正确陈述规则时仍自相矛盾，说明单点准确率不足以代表真实的抽象技能习得。

此前 Agent 多依赖可复用的 markdown 式记忆或技能文件保存已发现结构，避免重复探索，但把语义推理与结构预测混在一起。该工作将二者分工显式化，让 Agent 在已组织的证据状态上推理，而非每次查询重建跨 schema 结构。