本期概览

此前 LLM 创意写作评测多集中于现代语言变体和诗歌，古典散文传统如玛卡梅基本未被研究。该研究把评测对象扩展到有严格韵律和修辞约束的古典文体，并首次给出多模型、多提示策略的对照结果，说明表面流畅不等于深层文学能力。

此前学习型稀疏检索（LSR）依赖编码器架构，且多模态扩展需辅助跨模态模块。UEmbed 首次在解码器-only 模型中统一生成稀疏和稠密表示，无需额外模块，直接支持多模态输入，为检索增强生成（RAG）和智能体应用提供了更简洁高效的统一方案。

传统IoE资源调度多依赖启发式算法或简单优化模型，难以应对海量异构任务的动态性。该论文证明LLM能利用语义理解和推理能力处理复杂调度场景，并通过仿真给出量化改进，为将AI大模型引入实时网络资源管理提供了具体技术路线和初步验证。

此前长周期 agent 基准多只看端到端成功率，无法区分“运气好”与“决策好”。该工作把长周期决策质量单独拆成可测量的分叉选择题，并给出自动挖掘分叉、无需人工标注的流程，使 agent 的能力评估从结果层细化到过程层；同时指出推理算力堆叠并不能弥补这一能力，改变了以往“加预算即变强”的默认假设。

此前长周期 agent 评测只看端到端成败，无法定位是执行失败还是方向选错；Taste-Bench 首次把“分叉点上的判断”单独量化，并给出无需人工标注的自动构造方法，使 agent 决策质量成为可比较、可训练的指标。

此前对 LLM 解释的评估多依赖人工或静态指标，缺乏对解释实用性的严格检验。CHIVE 首次在自然发生的模型行为上，通过反事实模拟实验系统性评估解释质量，并发现主流可解释性技术无提升，挑战了现有方法的有效性。

此前讨论多聚焦于 AI 是否导致技能退化，但缺少在不限制 AI 使用前提下可验证的干预方案。该实验首次以预注册、随机对照方式比较两类设计，表明仅靠提示用户卸载后果即可改变行为，而激励机制在本任务中未显现作用。

此前的微调和提示方法把任务知识、约束与决策规则写进模型参数或人工维护的提示中，欺诈模式和标注策略变化时难以适配。FRAUDSkill 将适配层外置，在模型不变的前提下更新技能与规则，为需要固定标签空间和决策协议的部署场景提供了另一种演进方式。

此前强化学习或模型预测控制部署需针对建筑特定建模或训练，限制可扩展性。本研究首次测试前沿推理模型无需建筑训练即可进行VAV控制，且发现高相关性评论家可能存在隐藏的排序缺陷，这对强化学习微调的可信度提出警示，影响模型落地评估方式。

此前量子纠错更新多默认 AI 建议可信，缺乏对建议来源被攻击的验证。该工作把校准测量与独立评估引入更新审批环节，使系统在不确定与漂移条件下仍可证明改善，将安全边界从模型可信转向证据可验证。

此前潜在通信被认为能传输更多信息，但缺乏因果验证。本研究通过受控替换实验揭示，依赖端任务性能无法证明潜在消息的实际效用，必须分开测量消息存在、内容与来源的影响，这对多智能体系统的设计评估方法提出了根本质疑。

此前医学基准仅孤立评估每个问题，无法衡量模型能否区分临床表现相似但需不同干预的病例。MamaBench首次通过反事实配对测试这种区分能力，揭示现有基准高估了模型的实际诊断鲁棒性，差距达16-28个百分点。这迫使临床AI产品必须将反事实稳健性作为核心评估维度。

现有记忆方法侧重组织或压缩执行历史，但缺乏决定哪些记忆应保持活跃的机制。WMT 引入动态保留分数，使智能体能主动筛选有用信息、折叠已完成轨迹、抑制低效内容，提升长程任务中的推理质量并显著降低 token 成本，为智能体记忆管理提供了新的思路。

传统多模态训练需同时调整语言模型主干和投影器，成本高且可能导致原有能力退化。新发现表明仅训练投影器即可达到相近性能，可能改变多模态模型的训练范式，降低计算需求。

此前方法对所有语句采用统一目标奖励，忽视每轮对话的具体目标与策略合理性。TSR 框架引入层次推理，结合方差门控奖励，能在多智能体社交协商中更有效地平衡目标完成与策略遵循，推动 LLM 在动态社交场景中的表现超越 GPT-4o。