此前 VLA 与 WAM 常在不同评测协议下报告，能力、鲁棒性、语言敏感性和部署成本难以横向比较。该工作把两者放进同一报告框架，并区分协议忠实、近似复现与待验证条目，使跨范式比较第一次有了可追溯的边界，也暴露清洁分数无法区分的系统在鲁棒性与指令改写上存在明显差异。
现有健康AI通常只做当前状态识别或风险估计，缺乏对状态如何随时间及事件转变的建模。PWM首次提出事件条件的整体人级别生理变化建模框架，并配套统一的数据结构、能力层级与基准任务，为个性化健康管理和行为干预设计提供了更系统的技术路径。
此前 RAG 与 GraphRAG 几乎只在单轮、信息完整的查询上评测，而真实用户常通过追问逐步补全问题。该研究首次用百万级模拟对话量化这一评测错配，指出多轮场景下检索与生成会同时变差。
此前跨架构可复现性方案要么在不同 GPU 上仍存在舍入差异，要么以明显性能损失为代价。该工作把跨架构可复现性从“舍入差异低于翻转阈值”转为“正确执行 IEEE-754 算术”，并同时给出提速和减半权重流量的结果，改变了可复现性与性能之间的取舍关系。
此前AI代理通过多种异构运行时执行动作，导致治理难以追溯哪些动作已被批准、证据如何绑定执行。CAVA首次提供了跨运行时统一规范动作的方法，使独立验证者能复现动作身份，为信任与合规奠定基础。
此前基准多基于干净、对齐的语料，避开了数据湖的异构与弱结构化特性。LakeQuest 首次系统性地暴露了真实数据湖中跨模态发现与合成的关键失败模式，为评估和推动下一波 agentic QA 系统提供了更贴近实际的测试平台。
此前中期训练主要靠延长单一串行训练来提升，额外算力回报递减甚至损伤部分能力，形成实际算力天花板。该工作把算力分配方式本身作为优化对象，用多分支并行训练加合并替代单线加长，证明同等预算下可获得更好聚合效果，且预算扩大时收益不减。
此前求解 AC-OPF 的神经网络通常针对单一拓扑训练，换电网需重新训练，规模扩大后精度易下降。GridSFM 展示跨拓扑预训练加少量样本微调即可迁移到未见电网，并可作为热启动点减少求解迭代，改变了神经网络方法的复用方式。
已有编码助手基准在任务长度和交互轮次上与真实开发场景差距较大，难以反映持续演进的代码库和反复澄清需求的过程。SWE-Journey 把任务周期与交互对象纳入评测变量，并给出不同用户画像下的通过率差异，使评估更接近实际部署条件。
此前语言漂移虽被广泛记录并被认为可能损害思维链可监控性，但成因不清楚。该论文首次给出理论条件与实证范围的对应关系，把漂移从现象描述推进到可解释的机制层面，并指出前沿 RLVR 后训练中可监控性与性能之间存在取舍。
此前 GRPO 是主流的推理后训练方法，但存在熵崩溃问题。ES 作为内存高效的替代范式，首次被系统性研究，理论上和实证上证明其能提供更广的推理覆盖，并同时提升 Pass@1 与 Pass@K，为推理模型的训练提供了新选择。
此前数字人直播智能体面临两难：小模型难以应对快速变化的业务配置，强模型延迟高。该方案通过将 Harness 状态纳入训练分布，让紧凑模型无需重训即可灵活适配动态业务规则，兼顾低延迟和高质量回复，为实时直播电商场景提供了可落地的技术路径。
此前研究多关注工具选择与调用顺序，对参数填充正确性关注不足。该工作发现模型隐藏状态蕴含参数正确性信号，并据此提出训练与推理阶段的优化方法，显著提升参数生成准确率，尤其在云网络等复杂领域。
此前方法要么把全部证据交给验证器而引入噪声，要么按主题相关性筛选证据，把“相关”误当“充分”。该工作把证据充分性作为选择标准，并允许在证据不足时主动放弃下结论，同时给出可复现基准与多模态证据单元，使短视频核查的评估更贴近真实判定条件。
此前模型安全评估多以毒性分数下降作为改进依据，该研究指出这一指标可能系统性不完整：毒性分数下降的同时，代表性伤害反而随发布时间上升，意味着仅凭表层分类器可能无法反映模型在性别表征上的真实风险。