本期概览

多模态长文档摘要面临关键信息遗漏和跨模态幻觉问题，此前缺乏专门基准和针对性方法。该研究提供了新基准和可复现的训练框架，为提升多模态LLM在长文档场景下的摘要质量提供了可行方案。

此前 LLM 在多语言和文化表达任务上的评估多集中于翻译或情感分析，且常以补全或生成形式衡量。ProverbIT 首次以意大利谚语为对象，对比补全与多选题难度，暴露模型在无正确答案场景下的推理短板，提示现有模型对谚语等文化表达的“记忆式”理解，而非深层语义把握。

揭示了LLM在抽象推理与具体代码执行间的能力鸿沟：即使顶级模型能够执行理论上的最优工具分配，却无法将其策略迁移到实际的脚本编写场景。

此前行业讨论多聚焦 LLM 在出行场景的优化性能，而这项综述首次按 AI Act 高风险要求系统对照研究现状，指出监管合规的短板主要不在于技术能力，而在于研究取向偏重静态性能、忽视全生命周期安全，说明安全与隐私在落地前仍属空白。

此前关于AI辅助代码审查的实证证据不足，本研究基于大规模真实项目数据，首次揭示AI代理带来的效率与质量间的脱节，挑战了“AI自动提升质量”的简单假设，为团队合理采用AI工具提供了关键参考。

现有 LLM 预测方法缺乏显式的上下文识别和校验机制，CastFSR 通过三步工作流将上下文感知预测系统化，且支持免训练推理和通过 SFT 与强化学习将能力迁移到小型模型，可降低部署成本，为预测类产品提供新思路。

此前普遍认为LLM在表格预测上表现不佳，但原因不明。该研究首次通过系统实验排除了多个常见假设，明确指出维度是核心障碍，为表格基础模型研究提供了新的理论依据，可能影响模型设计和应用选择。

航空系统运行安全分析以往依赖人工识别天气、空管、空域、飞机运行和人为因素等交互，该方法首次利用大语言模型自动生成带有可追溯证据和合理性评分的候选场景，可能提升分析效率与系统性。

此前胸部CT自动报告生成难以同时实现全容积理解和局部解剖发现的准确描述，MonteRET通过多粒度知识检索和报告重写代理，显著减少了发现遗漏，提升了报告的临床可靠性。

此前自动事实核查系统主要关注判定结果及其解释，不比较模型推理路径与人类专家的差异。该研究首次引入推理图框架，在谬误子图层面逐一对齐人类与 LLM 推理，为评估模型推理质量提供新维度，有助于识别模型是否遵循与人类相同的推理逻辑，提升科学事实核查的可信度。

现有 AutoML 系统依赖预定义空间内的暴力搜索，缺乏显式推理和记忆。DoctorAgents 首次将 AutoML 重构为推理驱动的精炼过程，利用 LLM 智能体分工与文本梯度下降，针对小样本临床时序数据这种高难度场景，实现了超越基线的性能，同时提升可解释性。

此前运输管理系统通常采用单一闭源模型或简单评估，缺乏系统化的成本-质量权衡方法。该论文首次将多模型多模式部署作为组合优化问题，证明混合开源与闭源API可大幅降低成本，为实际决策提供量化依据。

过去判断文档真伪主要看内容与版式是否异常，而该测试显示现成 agent 能在真实归档财务文件上做局部、字面匹配且原文全档消失的修改，且没有模型拒绝，使依赖 PDF 证据的一方需要重新评估核验方式。

此前潜在推理依赖现成视觉编码器，可能产生次优表征；且RL阶段仅通过确定性正则化约束策略漂移，缺乏探索。Scaffolding Minds引入专用编码器并提供优化目标，同时学习采样器的均值和方差，为探索开辟新路径，显著提升性能。

传统聚合基准分数因冗余、强相关及模型欺骗而难以信赖。该研究利用 IRT 提供统计工具，用较少题目降低成本，并实现模型内审与沙袋检测，使安全评估更高效、透明、可信，为行业标准提供新选择。