此前训练搜索增强型LLM智能体主要依赖结果级奖励，对搜索行为监督不足。PROGRESS通过教师模型提供的覆盖奖励，在查询分解层面提供轻量级指导，不依赖密集过程监督，有望提升复杂查询处理能力。
此前上下文工程多依赖检索、记忆和工具来补充领域知识，对技术、监管、机构与规范约束缺少系统化识别与落地支持。该研究把约束提升为设计驱动，把竞争焦点从“从零构建 AI”转向“让已有通用方案符合领域要求”，为领域适配提供了一套可复用的设计路径。
此前LLM生成器-评估器框架在冲突时无法自动解决，需要人工或依赖单一判断。CatalogAgent引入监督代理作为决策仲裁，并建立记忆闭环实现持续自我优化，无需人工干预，显著提升了电商目录填充的准确性和自动化程度。
此前 VLM 的空间能力评测多集中在单图、室内或短距离场景，缺少对公里级地理布局与路线整合的检验。该基准把评测从二维识别推进到真实视频中的大尺度空间认知，并给出模型依赖视觉识别与文本匹配、而非真正空间推理的实证结果。
该论文梳理了 LLM 预测智能体三种架构，并明确指出评测可靠性问题，为产品团队评估相关技术提供系统性参考，避免盲目采用可能因基准污染而虚高的方案。
此前测试时强化学习（TTRL）主要提升语言推理，很少讨论音频模型在推理中究竟用了多少声学证据。该工作把感知依赖作为可量化指标，并据此改造无标签测试时优化，为音频推理的后训练提供了不同于纯语言对齐的方向。
此前 LLM 系统处理临床指南主要靠检索文本或通过训练吸收，无法直接执行规则。GuideSkill 将指南规则编译为可执行函数，并通过病例数据自动补全缺失技能，显著提升了诊断准确率和指南遵循度，且无需更新基础模型，为模型无关的临床推理提供新范式。
此前仅靠工具访问无法保证 LLM 推理可溯源和可验证，EG-VAR 通过 Lean 内核实现每个输出必须从工具证据和形式化推理链派生，将未经验证的输出替换为可审计的 Abstain，首次在数值推理和压力测试中达到 100% 源忠实，为高安全场景提供了可落地的技术治理接口。
现有LLM在单步推理任务上进步显著，但顺序决策能力是未知领域。本文首次系统评估并揭示LLM在简单游戏中的短板，且指出非记忆问题，为提升LLM在复杂任务中的稳定性提供新方向。
此前对智能体的评估多关注任务成功率，相同任务产生不同轨迹、高不确定性轨迹出现不可理解行为的问题缺少统一度量。该工作把不确定性拆成轮次级与轨迹级两个层次，并给出可在多模型多基准上比较的量化指标，使智能体可信度从定性描述转向可测量。
此前 MCP 相关研究多聚焦协议连通与工具调用能力，工具接口如何拆分这一设计变量缺少受控对照。该工作把它变成可复现的基准变量，并给出粒度与模型规模交互的量化结果，为接口设计和边缘部署选型提供了可比较的起点。
此前推理服务默认跨请求无状态，同一文档被反复重算注意力状态。该工作把已读文本的 KV 状态做字节级复用，并用文档分段减少喂入内容，使长上下文召回从受限于窗口变为可覆盖全语料，同时给出能耗与延迟的量化对比。
此前关于AI代理的讨论多聚焦于单一组织内的安全，而该报告首次系统性地提出跨组织边界交互时风险的变化，并指出没有单一组织能完全控制这些风险，为多代理系统的治理提供了新的分析视角。
此前大型视觉-语言模型生成的医学图像描述虽流畅，但可能与临床概念空间对齐不足。该研究提出训练和推理两阶段的对齐增强方案，并验证多编码器与 U MLS 概念辅助学习的价值，为临床可靠描述提供实际优化路径。
现有智能体系统在无人机场景受限于幻觉风险、数据依赖和泛化能力弱。该工作把神经符号方法与智能体闭环交互结合，并给出可运行的仿真案例，尝试从单纯依赖数据驱动，转向可验证、可复用技能与证据约束下的任务执行。