此前普遍使用的几何平均掩码会因正负对数比抵消而低估策略漂移，使部分实际偏离策略的响应仍被纳入优化。CARM 改变了响应筛选的判据，并给出接受响应满足联合边界的证明，把序列级掩码从经验规则推向可分析的方法。
此前答案修订决策多依赖草稿置信度，只判断当前答案是否正确；这项工作转向估计“修订会带来多大净收益”，把修复、损害和与oracle的差距变成可观测指标，为是否触发修订提供了新的训练目标。
以往对这类监控的评估多关注意外伤害或来自不可信来源的提示注入，本次则聚焦被监控代理本身持续不对齐的风险，并给出了79%成功率的量化结果。这说明现有生产级阻断监控在面对内部恶意代理时存在可复现的绕过路径，防御方需要重新评估其缓解措施是否覆盖这类攻击面。
此前多数研究假设暴露推理不会影响被审计策略，且标准忠实性指标有效。该论文通过控制探针和行为消融证明这些方法可能高估推理与决策的关联，概率指标在自信决策下饱和，探针易受类别不平衡影响，提示现有可解释性评估需更审慎。
此前对 agentic RAG 的失败分析多关注端到端错误，缺乏对多跳过程中故障起点与传播路径的系统归因。该基准首次将传播深度作为显式评估维度，揭示覆盖式诊断在深层失效，促使开发者重新审视事后追踪的可靠性。
此前 LLM 服务的容量与带宽瓶颈主要依靠 HBM 扩容缓解，而 HBF 一直被写入寿命与访问成本制约。该工作把 HBF 从单纯扩容介质转成需与调度协同设计的层级存储问题，并给出了完成时间、能耗与写入寿命的量化结果，说明容量扩展的收益取决于数据放置策略而非硬件本身。
此前评测通常把基准准确率直接当作模型使用生物输入的证据。该研究通过扰动与冲突实验指出，准确率提升并不等于生物输入被有效利用，因为基础模型表示虽含任务相关信息，却未必转化为下游性能。
此前对早期结果预测的担忧集中在预测器跨智能体迁移是否会普遍失效，本文用冻结流程与预注册边界测试把问题缩小到特定目标智能体/头组合，说明可靠性风险可能是局部而非系统性，评估成本节约方案可以更精细地设定适用范围。
此前 VLM 安全方法多依赖大规模偏好数据、多次 rollout 训练或推理阶段额外防护，且容易因一律拒答而损害有用性。OPSD 表明训练期引入意图监督可在数据、训练和推理成本显著下降的同时，提升安全与有用兼顾的比例。
先前开源网络安全模型和训练方案多聚焦于孤立任务，缺乏可扩展的代理数据。CyberFactory 提出统一的开源框架，将真实 CVE 转化为可执行的训练实例，通过技能指导的代理轨迹训练出 Aegis 模型，使开源方案在网络安全能力上迈出重要一步，缩小了与闭源模型的差距。
传统方法依赖相关性驱动和跨模态一致性假设，使用静态管线处理异质数据，鲁棒性有限。UrbanAgent 将城市画像从表示学习转向推理驱动，通过主动获取工具增强证据解决模态不一致，在预测准确性和跨城市泛化上取得显著改进。
此前智能体通常按预设配置部署，能力、上下文与工具暴露不随任务调整。该工作把配置本身变成可验证、可收缩的运行对象，并给出成功率与资源占用的同时变化，为按需分配能力而非固定满载提供可测量路径。
以往黑盒LLM的不确定性估计多依赖令牌似然或采样不确定性，缺乏对层级分类结构建模。该研究提出的层级感知监督估计器，在长尾生物多样性等科学决策场景中显著提升置信度估计的判别力和选择性预测能力，为黑盒LLM在关键领域提供更可靠的不确定性信号。
此前基于复杂推理harness的智能体难以用开源SFT/RL栈端到端训练，因为后者无法原生表达有状态多进程推理。OpenForgeRL解耦训练与推理，使研究者能在实际部署环境中直接训练和改进智能体，大幅降低了Harness-based Agent的训练门槛。
以往评估表格到文本多依赖流畅度或人工打分，输出是否被结构化数据逻辑支持难以自动核验。该工作把推论的真值条件写成可执行 Python 代码，使忠实性可被机器复算，并给出模型规模与家族对量化推论质量的对比证据，把评估从表面语言质量推进到逻辑可验证。