该综述系统归纳了从任务特定融合模型向基于多模态对齐、证据推理与受控生成的大模型方法的转变，首次以能力层次梳理计算幽默研究，为后续模型设计和基准制定提供了结构化框架。
此前测试时扩展主要依赖从单一策略独立重复采样，容易产生冗余尝试，增加算力却收益递减。PTTS 把采样从独立改为协调，使额外推理算力更可能覆盖互补推理模式，在相同模型不变的前提下提升 pass@k 扩展效率。
此前社交演绎游戏 AI 完全基于文本，忽略了人类社交中多模态线索（如表情、动作）的重要性。CaM-Wolf 首次整合视频感知与因果推理，使代理能像人类一样捕捉非语言信号，更接近真实社交互动。
该研究首次基于大规模内部数据量化了不同职能和资历员工在AI使用上的复杂度差异，并挑战了‘培训即可提升AI使用水平’的普遍假设，对企业的AI推广策略具有直接参考价值。
传统多模态模型每次任务都从零推理，无法积累知识。SymbOmni通过符号概念学习实现了知识的累积与重用，解决了“永久新手”问题，标志着从静态知识到运行时持续进化的范式转变。
此前 GPT-o1、GPT-o3、DeepSeek-R1 等长思维链模型默认走正向推理，深度增加但方向单一。该工作把错误来源拆成五类，并尝试在训练数据与奖励层面显式引入反向推理路径，意味着推理增强的着力点从“更长”转向“换方向”。
此前LLM将世界模型隐式编码在神经网络权重中，存在结构风险；DaoQL首次提出将确定性知识显式外化到专用存储系统，为医疗、金融等场景提供了可验证、可修改、可解释的替代方案，明确了隐式模型在反事实推理上的架构缺陷。
以往LLM因RLHF的中立偏见无法维持党派立场，该框架通过DPO和RAG克服此限制，使政治模拟更贴近现实，为计算政治学提供了可审计、可重复的联盟谈判模拟方法。
此前提示优化趋势偏向复杂的搜索过程。NPO 表明简单、线性的方法即可与复杂方法媲美，可能降低优化成本，并使提示词优化更易落地。该发现挑战了“越复杂越好”的假设，对依赖提示工程的 AI 产品具有潜在价值。
此前旋转与组量化结合会因全局与局部不匹配导致精度下降或硬件开销，GyRot通过算法-硬件协同设计解决该问题，在保持精度的同时提升速度与能效，为大规模LLM部署提供了更高效方案。
此前 LLM 合规评测多为静态基准，规则来源与现行 AI 法律脱节，且只做表层字符串匹配，难以发现隐性风险与风险在逻辑链条上的传播。EADC 把法律规则结构化为知识图谱并生成对抗场景，将合规评测从浅层检查推向情境化和长链条追踪，为面向监管的模型评估提供了新范式。
以往选择 LLM 配置多依赖穷举评估或配置级贝叶斯优化，成本高且难以判断何时收手。该工作把评估预算分配和停止决策统一进一个策略，在大样本基准上优于配置级贝叶斯优化，在大候选任务上优于不计成本的 bandit 基线，并给出可随时使用的推荐。
此前AI评估广泛采用IRT来估计模型能力和排名，但并未充分验证其在不同数据条件下的有效性。本研究揭示基准数据与人类测试的统计假设差异可能导致IRT误判，挑战了现有评估方法的可信度，提醒从业者在依赖IRT结论前必须进行数据诊断和样本量检查。
先前业界常将视频LLM的基准准确率等同于视觉理解能力，该研究通过严格对照实验证明，模型可能主要依赖帧统计特征和语言先验而非真实时序理解，挑战了现有基准的有效性并推动了评估方法的改进。
此前对分类器式护栏的评估多只看检测率，较少检验其决策依据是否稳定。该工作说明面向透明度的解释方法同样可被用来定位并构造绕过路径，把可解释性与对抗鲁棒性放在同一框架下审视，改变了护栏评测的关注点。