现有幻觉基准多孤立处理事实，忽略知识间的拓扑结构。SCHEMA 首次将拓扑感知引入评估，揭示幻觉集中在关键知识枢纽，证明终端准确性不足以衡量 Agent 可靠性，为高可靠性科学应用提供了新的评估维度。
此前漏洞触发定位依赖静态规则或模式匹配，难以处理跨多层的真实 CVE；AutoTrace 通过代理+确定性门控实现了跨过程因果推理，将触发定位的准确率大幅提升至 75% 以上，为自动化漏洞根因分析提供了可验证的新范式。
此前阴谋论检测多依赖显式主张或固定词汇特征，容易把讽刺、批评与合理关切误判为认同。该工作把任务重新定义为社会语境中的意图推断，并给出覆盖四年、跨选举与疫情的大规模语料实验结果，显示仅提供同样的语境还不够，还需要智能体式的自适应推理，这为内容审核与舆情分析提供了新的方法基线。
此前研究多关注模型对静态、一致图像的理解，忽略现实动态中外观与物理状态的不一致。该研究首次系统框定并测试“情境错觉”，暴露了当前MLLM在此类常见场景中的可靠性短板，并提供了可复现的基准与缓解手段，对提升AI在真实环境中的应用价值有直接意义。
现有记忆方法假设检索到的记忆相互独立，通过投票或加权合并，但在多智能体场景中该假设常失效，相关记忆可能形成虚假多数。CAMA 框架首次显式处理记忆相关性偏差，提升多智能体系统长期记忆的可靠性，对依赖多智能体协作的产品具有重要意义。
现有代理决策依赖输入侧信号（提示路由、外部编排、任务微调），成本高且难以随模型更新维护。本发明直接从模型内部生成过程推断控制决策，无需修改原模型，实现了轻量、可事后适应的路由机制，显著降低了大型模型的使用成本和系统复杂度。
相比现有单次提取知识图谱的方法，RAGU 通过多步处理显著减少噪声和检索脆弱性。小型专用模型（Meno-Lite-0.1）在语言技能上胜过 32B 大模型，证明了在管道中模型规模并非决定性因素，从而降低 GraphRAG 的部署成本和硬件门槛。
此前的 VLM 主导方案由 VLM 规划每一步并调用具身模型，使 VLM 处于关键路径上。Spotter 把角色反转，VLM 只在确认错误时介入，既保留具身模型的执行连续性，又借助 VLM 的通用性和更丰富输入完成错误修复，在多环境和真实机器人上取得提升。
传统RL训练依赖真实或同步环境，构建和验证成本高且难以落地。EnvACE用模型自发演练模拟环境响应，免去外部环境交互，降低成本并提升可扩展性，在多个基准上超过环境扩展基线，为LLM代理训练开辟新路径。
此前个性化讨论多集中在推荐准确度或用户满意度，该实验显示个性化可在不提升评价的前提下改变决策结果：用户主观上不认为被说服，行为上却已向 AI 推荐偏移，且这种偏移在多个合理选项之间发生，缺少可追踪的评价痕迹。
以往基准分数提升常被直接解读为模型能力增强，但本研究揭示同一分数可能源于不同行为变化。该方法区分可达与实现，挑战了仅凭聚合分数评估能力的做法，提示能力测评需更细粒度，可能影响模型评估标准与研发方向。
此前缺乏经过人工校验的简化语料库来训练和评估科学摘要简化系统。该论文提供了首批高质量、带人类编辑反馈的语料，并明确揭示了通用LLM（GPT-4o-mini）简化时的优势与局限，尤其强调了保留领域术语的重要性，为跨学科沟通工具的开发提供了基准。
此前评估器在策略优化中保持静态，当策略提升后，评估器得分差距变小，导致优化信号弱化甚至误导。DynamicRubric使评估器随策略共同进化，始终提供有效的监督信号，从而突破性能瓶颈。
此前主动偏好学习通常先校准评审再采集比较，但论文指出主动采集会改变比较分布并暴露残留评审偏差，使校准失效。该工作将偏差纳入采集设计，并给出策略风险的条件局部渐近极小极大下界及达到该下界的估计量，还刻画了学习干扰表示的有限样本成本。
此前规格通常被视为智能体中立的产物，可随意在不同智能体间复用。本研究首次系统证明，跨智能体传输规格会导致显著的性能退化，最强案例中Token F1仅0.035，说明规格并非天然可移植，这挑战了当前软件开发工作流中的普遍假设。