本期概览

此前提升驾驶策略泛化通常依赖人工设计难例或场景课程，成本高且覆盖有限。该工作把模型自身的不确定性信号转为难度来源，使难例挖掘自动化，并给出跨nuplan、Argoverse 2与Waymo的零样本迁移对比结果。

以往事实知识基准几乎只考察单一答案检索，忽略了现实问题常需组织成组事实的需求。ListQA 把评测目标转向多事实回忆与列表组织，并给出可量化的错误率、模型排名和失败模式，使列表式知识检索从无基准变为可比较。

此前医学AI安全评估以封闭式、多模态基准为主，本研究首次扩展到开放式临床对话在信息缺失下的场景，并揭示了评审者本身作为测量工具会引入系统性偏差（同供应商偏好、LLM更宽容），这改变了业界对安全评价客观性的认知。

此前异步 RL 通常把滞后视为整体问题，难以在不牺牲墙钟收益的前提下过滤轨迹；该工作给出细粒度拆分，并声称在同一时间预算下同时提升准确率与 GPU 效率，改变了异步训练中延迟与质量权衡的处理方式。

此前可解释性工作默认模型内部差异都能映射到人类概念，目标是“在模型里找到人熟悉的概念”。该论文把目标改为发现并刻画模型自身原生、可能无法用人类语言充分表达的表征结构，并指出可定位、可因果操纵与可语义解释是两件事。

此前品牌合规主要关注图像生成中的视觉标识去除，文本层面的品牌身份管理缺乏正式定义和评测基准。这篇论文把“文本 trade dress”作为可度量对象，说明现有机器遗忘方法无法胜任细粒度的品牌特征消除，并给出不改参数、只在推理阶段干预的替代路径，使品牌方和模型方有了可对比的评测基线。

此前驾驶数据集对“决策关键视觉证据”与推理、规划之间的监督联系有限，VLM 在长尾场景中难以把看到什么与为何这样开对齐起来。该工作把接地、因果推理和轨迹规划串成一条可训练链路，并给出跨 8 个骨干模型的一致改善，说明这种监督方式在长尾驾驶任务中具备可复现价值，而不只是单一模型的调优结果。

此前 ISAC 相关研究（如基于学习的感知、资源分配、RIS、边缘智能、多智能体协调和弹性网络）大多孤立发展，缺乏统一视角。该综述首次将智能体 AI 与 ISAC 系统性地结合，提出闭环框架和成熟度分级，为这一领域提供了统一的研究坐标系，有助于后续研究聚焦、比较和推进。

此文提出智能体风险需通过轨迹测试与调试来管理，而非仅关注模型能力，为智能体在企业核心流程中的安全部署提供了新的关注方向，可能影响后续智能体产品的研发与评估标准。

此前推理引擎只复用共享前缀的 KV cache，分词仍每轮从头重做，成为 TTFT 与 CPU 占用的固定开销。该工作把增量复用和分段并行扩展到分词阶段，并声称结果与参考分词逐位一致，意味着优化不以改变模型输入为代价。

既有基准多把推理拆成孤立技能、依赖外部知识或难以扩展；PetriBench 转而用成熟的 Petri 网形式化并发与分布式系统，把动态状态空间纳入统一评测，并配合精确真值与程序化生成，使难度与规模可连续调节。这为比较不同模型、不同推理任务的能力边界和扩展行为提供了更可复现的参照。

相比静态推理控制，该方法论首次系统测量了代理工作流中过度/不足推理的实际代价，揭示固定预算假设的失效，为推理成本优化和可靠性提升提供了可量化证据。

此前改进多模态推理多依赖推理过程监督或推理时策略，而该工作提出一种互补路径：不直接监督推理过程，只通过选择性正则化少量视觉接地相关注意力头来增强隐式视觉 grounding，为提升推理能力提供了更稀疏、更聚焦的训练信号。

此前形式化证明的质量评估主要依赖人工审查或二元正确性判断，缺乏自动化、细粒度的质量度量。ProofJudge 首次将 LLM 作为裁判，结合工具访问库状态，在多维度上量化证明质量，并证明其与人类偏好高度一致，为形式化数学的项目维护和代码审查提供了可扩展的自动化方案。

该论文将临床落地失败归因于结构性错位，而非通常的技术瓶颈，挑战了行业主流认知，可能影响AI医疗产品的设计、评估和投资方向，促使从业者重新审视以像素为中心的模型策略。