本期概览

现有评估框架主要聚焦双模态理解（如文本+图像），而 MMI 首次系统覆盖五种模态及三模态组合的输入输出，为衡量全模态模型的多模态能力提供了新基准，揭示了当前模型在多模态输出生成方面的严重不足。

此前建筑类型标注高度依赖专业人员，成本高且难以规模化。该研究表明视觉语言模型能以约70%准确率自动完成分类，虽未完全替代人类，但为城市分析提供了一种可扩展的辅助手段，可能改变传统数据采集流程。

此前缓解微调能力退化主要依赖数据回放或正则化，需要额外数据或显式优化约束，成本与流程负担较高。该工作把问题从“如何约束”转向“在哪一层适配”，并给出无需反向传播的筛选信号，若结果可复现，将改变微调方案的设计顺序与资源分配方式。

此前自主 MLE agent 的进展常被归因于日益复杂的编排与检索机制，业界持续投入工程化 harness。该研究在大规模消融下指出这些层在强模型上回报有限，意味着性能归因可能被长期高估在工程框架而非模型本身。

现有 VLA 模型多依赖大型 Transformer，延迟与能耗限制其在资源受限平台上的部署。该工作首次给出可端到端直接训练的脉冲驱动 VLA 框架，并在参数规模与估计推理能耗上相对传统 VLA 更低，同时保持有竞争力的任务表现，为神经形态 VLA 建模提供了基础框架。

已有做法多依赖历史表现推断智能体信誉，但证据指出恶意智能体可改变行为并在协作中影响他人，使历史信誉难以预测新任务表现。该工作把信誉与当前任务行为结合，并抑制相似答案群体抱团，针对的是信誉机制本身被利用的风险。

阿拉伯语事实核查此前受限于数据集与资源稀缺，该工作称 Arafa 是首个大规模阿拉伯语事实核查数据集，并以自动化流程替代纯人工构建，为阿拉伯语 NLP 提供可复用训练与评测资源。

此前讨论 AI 能力多聚焦模型规模与算力上限，该实验显示：在同一任务和资源面板下，信息是否可见、工作流如何分阶段，会显著改变推理成功率。这意味着生产力差异不只来自“有多少容量”，也来自“信息在流程中如何分配”。

此前 LLM agent 多把在陌生环境中的发现记录为自然语言散文，难以形成紧凑、可检验的环境模型。Schema 改为把理解写成可执行程序，并对照交互历史验证，从而在未知规则环境中获得可复现的性能提升，且提升来自同一基础模型，说明 harness 设计本身是主要变量。

此前缺乏对期刊AI审稿政策的系统性梳理，也缺少对AI审稿质量的细粒度评估。该研究首次对比两大社区政策差异，并揭示了AI评审在乐观偏差、批评泛化等方面的不足，提醒评审方不能仅依赖综合分数，需多维度衡量，对科研出版流程有直接参考价值。

此前多数智能体评测集中在短程、边界清晰的任务上，而该基准以真实专业工作为对象，任务时长以小时计，评分要求通过全部专家标准，并公开了评测框架与排行榜。这使长周期专业工作的能力差距首次有了可比较的量化口径，也暴露出智能体在前提判断和输入校验上的系统性弱点。

此前提升 LLM 推理多依赖 RL 后训练，需要参数更新、外部奖励和昂贵优化，且泛化不稳定。该工作把这一能力转向纯推理时采样，声称无需参数更新即可获得更高质量推理轨迹并超越 RL 后训练模型，若结果可复现，将改变小模型能力提升的成本结构。

此前缓解 KV cache 显存压力的主流思路是丢弃最不相关的 token，但一次性淘汰的内容之后可能被证明重要，形成不可逆的取舍。该工作把压缩改为不淘汰 token 的多维配置组合，并把决策交给按上下文学习的选择器，从“删内容”转向“改表示”，使长上下文解码显存与吞吐问题多了一条可叠加的路径。

传统模拟器依赖人工建模，成本高，真实交互又昂贵。Uranus 用数据驱动的生成式方案替代手工构建，且不设固定时域、可在线接收轨迹，把仿真从静态环境搭建转向可流式驱动的生成过程，并开源权重降低社区使用门槛。

此前企业 AI 多被当作单用户、被动响应的工具，而该研究记录的是持续在线、主动参与多用户协作的 agent 进入真实团队。它把关注点从模型能力转向组织后果：协作默契、关系边界和信任分配的重新协商，这在此前多为猜测而非实证。