此前持续学习多依赖参数更新，成本高；而 prompt 优化在单项任务上可媲美 GRPO，却会在顺序任务中严重遗忘。该工作把优化对象从单一 prompt 扩展为可演化的函数库，若结论成立，意味着无需参数更新也能缓解灾难性遗忘，为低成本持续适配提供新路线。
此前 P/D 分离的效率收益建立在静态划分假设上，而 agentic 流量的阶段需求随时变化，要么按九十五分位留出最高 17% 闲置容量，要么承受排队与吞吐损失。Crossflow 在不改变节点角色的前提下让边界可弹性伸缩，把静态划分问题转为可动态回收的租约问题。
此前的 3D 室内场景合成管线无法跨会话保留用户个人偏好，用户每次创作都需重复调整，过程繁琐且体力负担大。SPHERE 将孤立式合成转为持续的人机协同创作，把用户的历史编辑转化为可复用的偏好与约束，并用强化学习让检索策略随用户最终结果持续更新，改变了场景生成工具一次性、无记忆的交互范式。
此前自动化修图方法只能部分覆盖“全局调整加局部语义掩码编辑”的专业流程，且常依赖商业黑盒工具；该工作把全局与局部诊断、编辑参数预测统一到一个可自训练的 VLM 框架内，并以约 6% 训练数据达到 SOTA，降低了对外部强教师模型与大规模标注的依赖。
此前 LLM 推理状态在基站切换后只能被动恢复，导致服务中断。Pallas 在切换前并行准备推理状态，显著缩短服务中断时间，为边缘 AI 服务的连续性提供了新方案。
现有 AI 和无线网络架构分别受限于物理世界建模和实时协调能力，而 HDT-Nets 提出将网络基础设施与数字孪生结合，使智能体能主动推理并共享时空上下文，为物理 AI 在机器人、车辆等场景下的实时协调提供了新框架。
过去学术团队受限于训练基础设施，难以训练大规模 MoE 重排序器。Tevatron 3.0 通过集成 Megatron-Core 和专家并行，使得在学术算力下训练 30B 参数 MoE 重排序器成为可能，同时保持与现有工具链兼容，降低了大规模模型训练的门槛。
此前对多模态大语言模型可视化能力的评估多局限于简单图表（如柱状图），缺乏对科学可视化（如流场、体积渲染）的理解测试。本研究首次使用标准化科学可视化素养测试对比人类，揭示了模型在真实科学场景下的能力短板，为AI在科研辅助工具中的应用提供关键参考。
此前全双工语音模型侧重低延迟自然对话，工具调用能力通常受限；该方案在不破坏双工轮流发言与打断处理的前提下引入后端委派，使语音交互同时具备较强 agentic 工具调用能力，并显示后端可替换、可扩容。
此前纯文本脱敏无法适配固定的图像或语音接口，身份匿名化又会让任务内容本身暴露。ReCast 的变化在于同时维持输入模态和任务相关关系，在不改动现有媒体接口的前提下调用远程推理，并在本地还原求解器返回程序中受保护的算子，从而在保住远程收益的同时压低源内容暴露。
此前后训练数据筛选多按难度或正确性组织，推理算力分配研究则通常把模型视为固定。该工作把「模型能否随算力增加而改善」作为筛选标准，在 Qwen3-8B 上显示 CR 样本训练不仅提升选定集表现，还改变推理预算与准确率的整体前沿，属于后训练与推理算力协同的新切入点。
此前对随机奖励也能提升 LLM 性能的解释主要归因于 RL 训练机制或数据污染，该论文把这一长期争论引向第三种解释：随机奖励可作为探测指标，衡量模型在当前状态下进一步训练能到达的水平，而非仅看当前 benchmark 表现。
现有仅依赖准确率的排行榜难以衡量代理的规划、工具调用和判断能力，BekchiAI 提供了行为指标和多任务基准，并配套可观测、可控制的平台，从单一指标评估转向多维度行为追踪，为代理质量评估和运维提供了新思路。
此前医学 RAG 常见做法是固定策略：要么始终采纳检索证据，要么始终依赖模型自身答案。该工作显示没有固定策略能在被投毒证据与有用证据之间同时稳健，并把关注点从提升平均准确率转向抬高最差情况下限。
此前的环境生成流程主要优化真实感、多样性或任务覆盖率等通用属性，假设更多数据就能带来更好训练。该工作指出不同预训练策略会因不同环境原因失败，并转向按具体策略的弱点定制训练环境，还显示弱点会随策略提升而持续或转移，改变了环境生成的目标函数。