此前关于VLM推理成本的讨论多集中在云端GPU，边缘单板机上的能耗结构缺乏实测数据。该研究把能耗拆成固定部分与随输出长度增长的部分，并给出两种加速路径的交叉点，使边缘部署的成本判断有了可比较的量化依据。
此前 FRIA 证据散落在互不兼容的事件库、风险词表和法律文本中，缺乏可复用、可查询的整合方式。该工作把证据整理为统一知识图谱，并公开全部产物，同时给出 LLM 自动分类在该领域几乎无效的负面结果，为监管机构、国家主管机关和 SME 的合规实践提供了可检验的基线。
此前在资源受限的可穿戴设备上开发优化模型耗时且高度依赖具体硬件约束，本工作把模型生成、编译、剖析和 OTA 部署串成自动流水线，使边缘 ML 从手工适配转向可复用的工程化流程。
此前教育场景的视觉语言模型评测多依赖真实图像或单一学科推理，艺术教育内容覆盖有限。MUSE 把艺术图像理解拆成可控制难度的多类任务，并明确纳入东南亚多元文化语境，使情感解读与组合推理等能力差异可被量化比较。
此前基准多用合成场景，且把认知与行为两个面向分开评估。PerSo 首次把它们放在同一真实说服语境中考察，并引入人工标注验证，使 LLM 社交智能的评测更接近实际人机交互与多智能体场景。
此前植物病害 AI 多把症状识别、严重程度评估和诊断问答当作彼此独立的预测任务，缺少跨任务的知识共享。该工作把病害理解统一为生成式 VQA，在单一模型中支持多任务推理，意味着诊断工具可能从单一分类标签转向可解释的问答式交互。
此前多图空间推理评测多以单题准确率为主，容易掩盖模型在参照系变化或证据增删后是否仍保持正确。该基准用匹配三元组和配对证据变体，把参照系与视觉证据拆成可对照变量，并给出联合指标，暴露出单题分数相近但成组正确率很低的差距。
此前迁移研究仅评估孤立模型对，未涉及真实发布序列中的多种迁移选择。UpgradeBench首次系统比较保留、移植、刷新和重训四种策略，并引入连续发布和多任务视角，为组织在开源模型频繁迭代下的升级决策提供实证依据。
以往结构化方法如 PageIndex 受限于 LLM 上下文，难以扩展到大规模语料，且必须先选定单一文档，选错便无法纠正。RIT-RAG 把检索范围从单文档扩展到多文档诱导子树，并用代理动态导航，使结构感知 RAG 在大语料下仍可恢复错误选择，并首次给出 284 万网页规模的专门基准。
以往评估 LLM 推理多依赖外部行为指标，如基准分数，难以解释能力来源。该工作把神经科学中的小世界网络视角迁移到 attention head 功能图，并给出可操作的结构指标，使推理能力从“只看输出”转向“可测量内部组织”，并进一步用于剪枝决策。
此前旅行规划基准只奖励单维度约束，使用软评分或LLM评判，无法保证计划可执行且不可审计。TREK首次实现全确定性、可复现的评估，并包含不可行任务，能精准定位代理的约束违规类型，为LLM代理在复杂规划场景中的实际可用性提供可靠度量。
以往知识图谱增强大语言模型的方法无法识别图内噪声和错误，可能放大幻觉。DoG利用不确定知识图谱的置信度分数筛选信息，并通过多智能体对抗辩论实现自适应协作，显著提升了推理的可靠性和适应性。
银行企业信贷的政策合规审查长期依赖人工，知识密集且易遗漏例外与违规。该原型把政策文档自动转为可执行规则并直接评估申请，在真实申请上既检出已知例外，又发现此前被人工忽略的问题，说明合规审查的部分环节可被自动化支持，而非仅停留在文本问答层面。
此前澄清策略多以减少用户意图不确定性为目标，达到阈值就停止提问，忽略了下游任务收益和提问成本。REVOIR 将澄清决策转向任务奖励导向，在保持甚至提升成功率的同时大幅减少提问，并能在用户可低成本纠正时主动选择不提问，显示出对交互环境的自适应能力。
此前长上下文推理优化多依赖查询无关的软压缩、缺少答案目标监督，或与特定解码器架构强耦合。CMC 的变化在于把压缩结果对齐到任意冻结解码器的嵌入空间，并在推理时引入问题引导的记忆选择，使压缩模块可跨多种编码器-解码器组合复用，同时报告了推理时间、能耗与显存占用的下降。