本期概览

以往LLM预测评估常使用历史数据导致污染，此基准利用未来事件确保无污染，并首次以博彩市场作为经济基线，揭示了准确率与决策收益之间的显著差距——高准确率的模型并不保证盈利，且多数模型依赖市场信息却无法超越市场。

以往因果基础模型主要依赖合成结构因果模型先验或纯观测数据，当目标变量的干预数据缺失时推断受限。该工作把代理干预数据纳入同一模型，并报告其条件干预分布预测优于仅用观测数据，为观测与实验数据混合场景提供了可对比的新基线。

可解释 AI 长期存在同一输入与预测下不同归因方法给出分歧解释的问题，这削弱了审计结论的可信度。该工作把方法间一致性量化为可比较指标，并首次在 DeBERTa-v3 的零样本医学文本场景中系统比较五类归因方法，把解释稳定性与预测确定性直接关联，为高风险医疗场景下的模型审计提供了可复用的评估路径。

此前压缩 RFM 推理上下文主要靠随机丢弃采样行，不考虑数据库 schema 语义，容易误删有信息量的行。STEER 首次把外键边的任务相关性排序引入采样过程，并且排序只依赖 schema、每任务计算一次即可复用，使成本压缩与准确率不再直接对立。

此前智能体性能优化通常以单一模型或固定组合为核心，且需要大量数据或昂贵微调。RoboPhD 展示了仅用 100 个示例即可进化出完整代理程序，并在多个价位上超越竞品，这意味着低成本、高效率的智能体定制可能成为新的竞争维度。

此前针对 LLM 推理的调度多假设硬截止时间或未考虑任务依赖，该研究引入软截止时间和有限扩展机制，并利用 transformer 增强 PPO 提升决策能力，为在时延敏感场景下的 LLM 部署提供了新思路，可能改善服务质量和资源利用率。

此前同类模型改进多依赖训练分布内的任务，跨基准泛化证据有限。该结果显示仅用 1,700 个任务、LoRA 单 epoch 的 RL，就能在六个外部基准和多个未参与训练的 agent harness 上同时提升，且在训练数据收集之后发布的三个任务集上仍显著，说明这种增益并非对固定评测集的过拟合。

此前LLM用于证据筛选多关注召回率，本研究揭示同模型不同处理配置对结果影响显著，且名义相同的重复运行存在差异，影响LLM筛选流程的可靠性与可复现性。

此前电网监控依赖规则或专用模型，自然语言交互和自动SQL生成降低了使用门槛，使非技术运营人员也能进行复杂数据分析，提升响应速度。

此前医疗机构与厂商多以考试题和精选病例基准判断 LLM 助手是否可用。该研究首次用大规模真实查询证明基准与部署场景存在系统性错位，意味着高分不再能直接支撑上线决策与采购判断。

此前业界普遍把贪心解码当作可复现的确定性基线，用于评测、回归测试和一致性校验。该研究证明输出会随数值精度改变，意味着跨精度或跨环境比较模型行为时，原有确定性假设可能不成立，相关测试与部署结论需要重新审视。

传统运行时保护仅检查单个动作，无法引导多步骤流程；工作流系统侧重完成而非安全。PolicyGuide首次将领域政策编译为工作流图，在用户轮次边界主动验证，显著提升合规率（平均Pass^4提升0.2），并具有跨模型迁移性，为LLM智能体的合规执行提供了新范式。

此前缺乏专门针对自主AI系统的保险数学框架，保险公司难以评估此类系统的风险。该论文首次提出可量化承保、定价和合同优化的结构化方法，并定义了可保性的数学性质，为AI保险产品设计提供了理论依据。

此前稀疏注意力普遍先按注意力质量选 token、再独立补偿被丢弃的注意力尾部，选择与补偿脱节。CompKV 把二者合并优化，指出应优先保留一旦省略会带来最大补偿误差的 token，并给出可部署的块级选择标准，改变了长上下文推理加速的设计思路。

能源系统运行存在一个从未被自动化的闭环，包括提出优化问题、处理不可行性、排序联锁指令、汇总分散证据、协商容量等，目前均由持牌调度员人工承担。随着可变可再生能源占比上升，闭环速度加快，而调度员数量难以匹配。代理式 AI 提供了所需能力，但以控制外环的形式介入，改变了原有控制体系架构。