以往多模态图模型通常把节点压缩为融合的欧氏向量，难以同时保留实体语义、邻域交互状态与不同几何形式的预测需求。该工作把表示空间从单一向量扩展为分级 Clifford 隐场，并给出跨级可达性、节点置换等变性与任务残差界，使图基础模型的表示能力从经验堆叠转向可分析结构。
此前 LLM 驱动的健康智能体主要处理短期、检索式查询，缺乏对长期信号推理并预测幸福感分数的能力评估。BALMS 首次系统化提供了这样的基准，并揭示现有智能体在纵向推理上的不足，为该领域设定评估标准，推动更可靠的长期心理健康监测智能体的研发。
研究揭示了 LLM 智能体在记忆持久化与澄清之间的边界问题，提供了首个专门基准 MCB，并发现现有模型在主动询问用户方面存在明显不足，这对构建可靠个性化智能体具有参考价值。
该研究首次系统对比了机构指导与课程实践之间的脱节：机构政策鼓励使用，但教师因学术诚信和学习效果问题仍保持警惕，缺乏统一行动指南。
此前 LLM 直接被用于此类规划时，输出并不天然受轨道动力学、操作约束和机动结构约束，因此只能作为接口设想。该工作把语义推理与可复用行为图、领域规划模块和轨迹优化串联，使语言模型只负责部分规格，物理有效性由下游求解保证，并给出可量化的意图恢复提升。
此前应对 LLM 长尾文化知识缺失主要依赖 RAG 检索外部文本，本工作给出结构化替代路径的量化对比：不改模型权重、不人工整理图谱，即可用自动构建的 KG 大幅降低错误。
此前 AI 技术债务研究假设静态、组件级架构，无法覆盖代理式 AI 的动态和涌现行为。本研究首次系统性映射传统债务在代理环境的演化，展现出债务已超出软件工件，延伸至代理行为、协调机制及代理-工具-环境交互，为管理新型系统风险提供了理论依据。
此前特异性打分常被视为可跨语料直接复用的通用能力。该研究表明同一分数在不同预测器和候选集合下排序与决策价值不一致，意味着把打分器当作通用选择标准缺乏稳定依据，评测结论高度依赖所用模型与候选集。
此前 GRPO 在多奖励场景下按总奖励的标准差归一化，大尺度奖励的协方差会主导分母，导致小尺度奖励的梯度信号被压制。CorrGRPO 把协方差换成不受尺度影响的 Pearson 相关系数，使优势更新只反映奖励之间的相关结构，而非奖励的绝对尺度，这为多奖励权重设计提供了新的归一化路径。
以往多智能体 AI 多停留在任务自动化，理论到求解器的转换仍依赖人工逐环节检查，错误可能在局部验证通过后继续传播。该工作把人类监督、物理约束与独立审计纳入同一流程，并给出可量化的预测误差下降，说明 AI 智能体的角色开始从执行工具转向可被治理的工程求解器。
此前通常认为模型靠问题里的实体名称检索上下文事实；该研究给出可测量的状态向量证据，说明检索键可能是事实的位置顺序。这改变了对上下文寻址方式的解释，也为分析和干预模型如何选取上下文信息提供了新的操作对象。
此前自演化方法通常把轨迹生成与评估分离，依赖静态验证器或自一致性信号，难以适应新出现的失败模式，甚至可能强化跨轨迹共享的错误。该工作把规划、执行与评估放到同一训练循环中联合适应，提供了协调三者持续变化反馈的一种具体方案。
此前安全基准多使用固定攻击池进行单轮或预设多轮评估，无法模拟攻击者根据防御者回应动态调整策略的实际情况。该基准通过允许攻击者观察并自适应地选择攻击方法，揭示了多轮交互下防御者漏洞显著增加（ASR从0-1%升至5.4-14.0%），且不同模型弱点的分布差异巨大，表明单次静态评估可能严重低估风险。
此前足球战术分析多依赖单一事件或统计指标，缺少把动作与对手反应作为配对样本的可复现基准。该工作公开了完整数据集、评测任务与代码，使战术响应建模可以直接对比不同图模型与检索方法，并首次系统检验LLM在足球战术推理中的实际表现。
此前针对生产微服务故障的根因分析方法（包括经典因果发现和LLM多智能体）在OpenRCA基准上准确率很低，而新pipeline大幅提升性能，并首次量化指出推理能力是主要瓶颈而非数据缺失，为后续优化提供了明确方向。