长周期软件工程 Agent 此前依赖 Pass/Fail 稀疏二值奖励，存在严重的信用分配问题，失败的探索轨迹被浪费，现有轨迹优化依赖启发式状态复用或延迟标量打分，缺乏因果诊断与在线可执行指导。FLARE 将监督粒度从结果级下沉到步骤级，并将同一奖励信号贯穿推理与训练两个阶段。
此前粒子物理实时数据采集多依赖专用小模型或传统算法，工业基础模型能否落地边缘端尚缺乏验证。该工作首次给出微调、蒸馏与 FPGA 协同设计的完整路径，并达到或超过既有方案，说明基础模型向极端低延迟场景迁移具备可行性。
传统互文性计算方法仅提供相似度分数和相似段落列表，不能描述复用方式。该研究引入代理式LLM，结合精确字符锚定和五维类型标注，提供了更细致的分析，并通过专家裁决构建基准，为评估LLM在文本分析中的可靠性提供量化依据。
此前 VLA 低比特推理常需重训练或难以兼顾延迟与行为保真度。该工作表明，训练后量化配合一致激活表示可免去策略重训练，并在 Orin 与桌面端取得高于浮点 TensorRT 的加速，同时通过部分层 W8A8 改善动作保真度。
此前多模态模型在交互环境中常受限于视觉输入的组织方式，难以维持长程视觉上下文。VISTA 表明不更换底层模型，仅通过视觉 harness 设计就能显著改变任务表现，把提升来源从模型能力转向推理时的输入与记忆编排。
此前 LLM 自动评审多依赖单评委或评委面板多数投票，分歧被平均掉而非被解决。JuryFlow 把分歧当作定位不确定性的细粒度信号，用人的一次最小干预替代整条回答重标，并将纠正固化为可复用细则，使评估器随使用逐步自我改进。
此前低比特量化推理常受旋转操作能耗高、精度损失等挑战，且多在GPT-2等基础模型上验证。LightRot通过算法与硬件协同，在先进模型（LLaMA3-8B）上实现更高能效，并针对聊天场景评估，为低比特推理提供了可扩展的新范式，可能降低大规模部署成本。
此前提升推理多依赖训练、微调或针对任务定制的提示设计，需要标注数据或逐任务调优。该工作把改进限制在推理阶段，且同一套通用指令跨数据集与模型复用，意味着推理能力增强与具体任务解耦，组合性推理场景的收益更明显，也为评测提供了新的受控基准 iLLC。
该研究针对 Agentic AI 在网络安全中证据溯源需求，提出跟踪决策链的方法。此前方法难区分复杂相似的日志，TAD 通过几何形状变化识别关键日志段，提升对 LLM 输出的信任度，对网络安全自动化决策有实际意义。
此前关于AI代理的综述分散在软件工程、工具使用和计算机使用研究中，缺乏对终端中介行为的统一视角。本综述首次以终端执行为组织主线，提出七维能力画像，系统性地连接架构、能力获取与评估，为跨领域研究和基准设计提供统一框架。
此前编码工具主要辅助个人，而本研究揭示编码代理显著提升任务完成量和速度，但改变了开源社区协作结构，人际交互减少，知识公共性下降。这提示AI引入可能以牺牲社区知识积累和长期协作质量为代价，对依赖开源生态的企业和研究机构有重要警示。
此前仓库级基准多从人类指出的问题出发，只看补丁是否满足功能信号，难以判断 agent 是否真正改善工程健康。该基准把任务改为开放式治理目标，并用配对证据、干净环境探测和行为门禁评估，使“增加治理文件”与“带来可执行改进”可被区分。
此前 LLM 对 FORM 属于零样本不可用语言，前沿模型在该领域执行通过率为零。该工作表明，用编译器或解释器作为验证预言机生成数据并微调小模型，可在极低资源语言上把能力从零提升到超过大模型，且通用推理与编码能力仅损失 2.6 个百分点以内。
该研究展示了agentic AI不仅能辅助编码，还能在HPC环境中自动定位并优化性能瓶颈，将运行时间缩短85%以上，同时保持结果一致性，为科研和工业仿真优化提供了低成本高效率的新路径。
此前隐喻理解基准多依赖孤立子任务，缺乏证据支持的解释，难以评估模型是否真正基于视觉和文本线索建立映射。M$^3$R-Bench 首次提供统一的、含人验证标注的多模态隐喻数据集，并揭露现有模型跨模态证据与映射不匹配的问题，推动多模态推理研究更加重视视觉证据。