本期概览

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。

此前 LLM 情绪识别多停留在离散标签与文本模态，连续 VAD 维度评估和声学线索融合在对话场景中探索较少。该工作给出可复现的对比设置与 IEMOCAP 新 SOTA，并把微调与提示工程的差距归因于领域适配而非模型规模。

此前多模态 ISAC 模型依赖大量标注真实数据，仿真数据虽可降低标注负担，但场景、感知、无线与学习配置之间不一致会损害迁移效果。AIMS 将配置推导与执行协调交给智能体，试图把仿真到真实迁移从人工调参转变为按部署需求自动生成配置，可能降低落地门槛。

此前对医疗大模型安全的评估多依赖总体分数，容易掩盖模型把复杂边界病例一律归为不支持或信息不足的行为。该研究用带对抗类别和四级标签的基准，把过度拒答量化为可复现指标，并引入两位肿瘤科医生标注，显示分歧集中在信息充分性与治疗优化的边界，说明高分未必等于临床可用的区分能力。

此前多步推理检索通常把多属性过滤、向量搜索、关系连接与相似度连接拆成多个系统串联执行，容易在召回与成本之间取舍。该工作把这些操作收敛到一个查询模型与执行层中，并给出科学发现和电商语义算子场景下的速度、质量与成本对照，说明检索预过滤可能成为降低下游 LLM 调用成本的独立优化环节。

此前对测试时扩展的评估多局限于单一领域，且很少把选择与评审开销计入预算，容易高估额外推理的性价比。SELF-POT 把领域、选择规则与失败处理同时纳入比较，使“小模型加推理”能否替代大模型成为可测量的问题。

此前关于 LLM 多智能体系统的讨论多集中于能力演示与架构设计，缺少对真实开源项目故障分布的大样本量化证据。该研究用近千条真实 issue 给出问题类型、成因与解决方案的优先级排序，使工程团队能按实际高频痛点而非直觉分配精力。

该研究改变了LLM文本到SQL领域的评估方式。此前跨系统比较因异质基准和协议而脆弱，难以客观判断模型优劣。此研究提供统一的自主性轴和排行榜聚合方法，有助于更透明地比较不同系统，为产品选型和技术演进提供更可靠的参考依据。

此前基准要么针对通用视频，要么针对静态图表，数据视频这一结合动态图表与叙事的形式缺乏系统评测。DataVista 把评测拆成数据感知、时序推理与叙事理解三层，并给出 19 个模型的横向对比，使该能力差距首次可被量化定位。

此前模型评测多以排行榜标量准确率为核心，成本、延迟与 token 效率被置于次要位置。该工作把运行可靠性与 token 开销纳入同一评测框架，并给出集成体在准确率与成本上同时优于单模型基线的具体数据，提示评测维度需要扩展。

以往多数 Agent 安全评测默认用户被动、环境静态，忽略了真实部署中用户与 Agent 会共同改变环境状态这一动态。该工作把双控交互纳入评测，并给出跨模型家族的横向数据，说明安全表现不能只看模型本身，还取决于用户与环境交互方式。

此前制图原则主要基于人类感知设计，但机器感知可能与人类不同。该研究首次系统评估了颜色设计对基础模型空间推理的影响，发现顺序排序和对比度对机器理解依然重要，为未来针对AI优化的制图设计提供了实证依据。

此前多智能体谈判多依赖提示词或 LLM 自行纠错，缺乏可复现的对照数据。该研究把宪法约束、层级投票、硬 schema 门控与确定性恢复放入同一测试床，并给出解锁率、调用数与 token 消耗的量化对比，说明靠 LLM 引导难以处理合规死锁，而确定性恢复机制可显著改变结果。