本期概览

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。

此前相关研究多分散在对抗攻击、异常检测、自动补丁与 AI 生命周期安全等单点议题，本论文把它们统一到“缺乏中心权威时如何建立信任”这一共同缺口下，并给出整合区块链的架构主张，标志着该方向开始从单点工具转向组合式基础设施叙事。

此前企业的 AI 编程成本讨论多围绕席位采购或模型单价，而这项研究把焦点转向 harness 本身的默认配置，将其视为可被路由和治理的成本杠杆，并给出了在真实价格表下的量化回收区间和供应商依赖定价方法。

该工作把生成式反馈从“一有错误就生成提示”转向风险校准与证据门控：先预测持续失败风险，再决定何时介入、用哪些记录证据、给多少帮助。相较以往直接生成反馈的做法，它把预测、决策和生成三个环节分开评估，并给出了可量化的覆盖率与生成合规率。

此前多数评估聚焦单轮问答或单一任务，而这项研究把多智能体架构放到包含两到四项需求的复合查询上检验，并给出统计显著性与人工偏好结果。它同时披露延迟增至 1.31 倍、成本增至 2.02 倍，说明收益并非免费。

此前 LLM agent 接入科学软件多是零散的自然语言包装，可靠性依赖偶然。该框架把发现、验证、执行和检查拆成固定步骤并保留输出包，使 agent 建模过程可审计、可复现，同时给出 50 次会话的对照评估，而非仅演示单次成功案例。

此前评测多关注生成质量与提示词，而这份证据指出评测环节本身会被与被测画面无关的文本带偏。仅凭“工具调用成功”的日志，就能让开源评审模型大规模放行明显失败的片段，说明自动验证结果在闭环系统中可能不具备可信度。

以往多模态模因分析多追求「给出答案」，把模糊输入也强行归入男性或女性。该工作把「何时不应推断」作为建模目标，并提供可衡量的过度承诺率指标与带 Ambiguous 标签的数据集，使偏差评估从笼统的准确率转向证据一致性。

此前 LLM-as-a-judge 的研究多集中于开放式文本或偏好评估，未深入依赖关系驱动的工作流。本基准首次系统关注代理工具调用场景，揭示了任务难度主导的评估上限，且规模无法解决，提示构建可靠代理评估系统需超越模型扩展。

本体之间的类型化语义链接此前主要依赖人工整理，难以规模化。该工作把候选筛选与 LLM 关系生成串成流程，并在人工验证下给出精确率与 F1 数据，说明跨领域本体的链接发现可能从纯人工转向可评测的半自动流程。

此前 LLM 规划器在任务复杂度上升和任务数量增加时性能明显下降，甚至出现多任务性能崩溃。GRASP 声称在多任务扩展下基本消除退化惩罚，交错双任务环境中比直接 LLM 规划器最高提升 16.7%，并以 14.5% 的优势超过 GPT-5-mini 等前沿推理模型，说明模块化规划可能改变复杂任务可靠性的上限。

此前递归自我改进多依赖人类或可验证信号进行监督，难以扩展到开放式研究类任务。该工作把监督来源从人工评估转向多智能体编排与自评，并给出可量化的每 token 性能提升，说明在缺乏标准答案的场景中，模型自我引导改进存在可操作的路径。

此前的 LLM 电路尺寸方法多缺少显式拓扑理解，且主要在较简单的模拟模块上评估。该工作把评估对象扩展到含 55 个晶体管、60 个尺寸变量的复杂电路，并在经典优化器失效的 LDO 基准上给出可行解，说明 LLM 方法开始进入传统优化难以覆盖的复杂模拟设计场景。

此前 LLM 路由主要在模型之间按静态单模型成本做选择，默认选定模型后服务商选择无关紧要。该研究指出开放权重推理市场存在被忽略的第二决策轴：同模型不同服务商的端到端表现并不同质。这使路由问题的输入从价目表转向实测状态，也意味着按价格选服务商可能同时损失质量和可用性。

常见做法是把 3D 体数据压成 2D 切片或合并空间 token 再交给语言模型，会损失体空间信息。该工作保留原生 3D 编码与坐标传递，并引入放射科医生推理监督和可验证奖励的强化学习，使模型在无专用分类头的情况下输出分类、报告和可复核推理，评测同时覆盖公开基准与留出队列。