此前金融机构的模型治理与授权基本以单个模型或单个 agent 为边界，论文指出这种组件中心治理在多 agent 共同行动时会失效。它把公平借贷、EU AI Act、模型风险与行为监管的证据需求映射到一套群体级控制上，并提出可证伪的研究议程而非产品效果声明，意味着治理对象可能从模型个体转向 agent 群体。
此前LLM智能体的权限在会话开始时设定且静态不变，每个请求独立评估，不参考先前动作，导致组合攻击和委托滥用难以防范。APC首次引入基于累计会话状态的委托链追踪和组合闭包检查，将安全从模型行为层面提升到授权架构层面，并在基准测试中显著降低数据外泄，为多智能体系统提供可验证的安全方案。
此前认为前沿 LLM 在规则理解上足够可靠，该发现表明模型在复杂嵌套规则下存在系统性失败，且准确性会无版本变更地自行变化，这对监管合规领域（如保险、法律）构成不可预见的合规边界漂移风险，质疑了直接使用 LLM 进行关键规则判断的可靠性。
此前 LLM 裁判的评估多聚焦于开放式文本或偏好判断，而智能体工具调用依赖结构化、有序的 DAG 流程，裁判在此场景的可靠性未被系统验证。该基准首次揭示裁判在复杂任务中存在一致性天花板，且受任务难度主导，为构建可靠的智能体评估体系提供了实证依据。
此前 LLM 智能体评估多关注单次任务能力（Pass@3），忽视多次执行的一致性和对能力边界的认知。TRACE 明确针对这一可靠性差距，并通过不改变模型权重的方式改善行为知识，为实际产品中需要高稳定性的智能体部署提供了新思路，尤其适用于汽车助手等对安全和合规要求严格的场景。
此前计算论证领域缺乏方案级的真值语料，难以对欺骗分析做统计验证，相关判断多依赖专家经验。该工作把欺骗识别拆解为可核查的论证结构与追问清单，并明确工具只标记可疑主张、不输出欺骗结论，为透明可解释的分析流程提供了可复用的基础。
此前行业主要通过 MCP、A2A 等协议解决智能体之间的连接问题，但连接不等于可移植。论文指出每个框架自建运行时，使状态、记忆、预算和护栏被绑定在具体实现中，应用难以跨框架迁移，治理也难以统一。这标志着讨论焦点从“如何连起来”转向“如何抽象出公共系统层”。
此前缺乏对Safety Nets性能与系统设计权衡的系统研究，本研究首次提供量化参数，明确了最佳架构配置，证明该方案可在满足EASA认证要求的同时大幅缩减体积，为航空AI部署提供了实际可行的技术路线，可能影响认证标准与行业实践。
此前 LLM 安全性评估多关注事实性或有害内容，缺乏针对长期对话中妄想螺旋的量化测试。DelusionEval 首次基于真实心理伤害事件构建评估集，并揭示上下文长度是影响安全行为的关键变量，挑战了“更大模型更安全”的假设，推动评估范式向真实世界场景转变。
此前提升 NLI 表现多依赖扩大模型规模或增加训练数据，该工作转而强调结构化知识与语义脚手架的作用，提出可复用的抽象层级构建方法来定位并补足推理缺口，为非蕴含类这一长期薄弱环节提供了新的改进方向。
此前多模型系统要么先路由一次就停止，要么对每个查询都调用同伴模型。该工作指出协作收益非单调，并给出只在可能有益时才升级的中间方案，同时报告在多个基准上优于路由与密集协作，且开销更低。
现有医学基础模型通常局限于单一专科（如病理或放射）和单一输出类型（如分类或分割）。CoM$^3$eT 首次同时统一了病理与放射、稀疏与密集预测，并支持二维及高维输入，扩展了基础模型在医学影像中的适用范围，降低了多模态应用的复杂度。
此前缓解策略熵坍塌多依赖奖励修改、熵或 KL 正则化等算法层干预，以及 token 级重加权。该工作转向 rollout 使用层面，指出同一采样预算下并非所有 rollout 都对更新有正贡献，为提升大模型推理的训练效率提供了不同切入点。
此前提升推理能力多依赖增加采样数量或扩大模型规模，本质是在同一种局部噪声中反复尝试。该工作把探索移到语义概念层面，并证明小模型可被训练为可复用搜索策略，为更大模型服务。这意味着推理能力的增益可以来自采样策略本身，而不只是模型体量和算力堆叠。
此前离散方案多用单码本视觉分词器，与文本建模对齐但表示能力有限；连续与混合方案视觉表示更丰富，却在异构空间用不同目标训练，可能造成模态间优化冲突。该工作尝试在共享优化空间内兼顾高容量视觉表示与文本兼容性，并统一图像、视频与 3D 输入。