现有记忆系统分别处理存储、检索或演化，忽视子任务与技能的组合关系。HyperSkill首次将三者统一在超图结构中，利用关系信号提升检索效果，在多个基准上显著超越基线，表明记忆结构设计对代理性能有实质影响。
此前端侧个性化多在 ICL 与 PEFT 之间取舍：ICL 只需前向计算但拉长输入、增加延迟，PEFT 改权重却难以在手机上训练。该工作让端侧只做前向即可产出个人 LoRA，改变了端侧个性化的可行边界。
此前提示词工程多依赖经验，缺乏系统性对照。本研究首次在大型基准上对比多种格式及LLM调优的效果，发现低成本的格式统一即可带来可衡量改进，而LLM调优可能适得其反。这对研发团队设计提示词策略、避免无效投入有直接指导意义，尤其在代码生成场景。
现有失败归因要么依赖昂贵的逐步反事实测试，难以扩展；要么将推理轨迹视为平坦序列，忽略非线性逻辑依赖。HPFA通过压缩搜索空间实现高效定位，并首次将超图结构与配对分析结合，兼顾准确性与效率，为大模型推理的可调试性和自我改进提供了新路径。
此前多 GPU 内存通常是静态分区，各卡容量彼此孤立，负载波动时只能闲置或溢出。EMA 让同一服务器内的显存可以按需流动，并且借出方仍可随时收回资源而不低于静态分区性能，把弹性共享从存储层思路带入 GPU 内存层，同时不牺牲延迟与吞吐。
此前校准被视为 NLP 内部的小众研究方向，新模型与新基准的发布通常只报告准确率等性能指标。该论文把校准从可选项提升为评估的必备维度，并指出标准校准指标只需置信度与正确性两个输入，而现有多数基准已同时具备，这意味着校准可从“未来议题”变为可立即执行的报告项。
此前智能体工程评估多集中在通用领域，ERP 领域特定语言的评估稀缺。BC-Bench 填补了这一空白，揭示了通用基准的提升在 ERP DSL 上不一定成立，强调领域化评估的必要性，为 ERP 开发中的 AI 应用效果提供了可衡量的参考。
此前多模态文档问答依赖大量标注数据或冗长推理链条，而 Perception-RFT 证明无需中间推理即可直接对齐视觉特征，在 4B 参数规模下大幅降低推理成本并提升性能，改变了后训练策略的设计方向。
此前行业普遍假设 system prompt 和微调可有效约束模型行为，该研究把“覆盖是否成功”变成可量化审计对象，并指出微调有时会强化而非改写原有行为，这改变了人们对模型治理可靠性的默认预期。
现有韩语基准以既有词汇为中心，对近年词汇变化的覆盖有限，且英语导向设计难以评估韩语中实词与功能语素高产组合的类型学特征。KoNeoBench 把评测对象转向 2020 年后新闻中的新词，并引入专家词典学审核，使模型能力评估从静态词表扩展到持续变化的真实语言。
此前 AI 辅助编码缺乏在开发速度下检测、丰富、修复并验证安全问题的自动化机制，尤其是未结合真实威胁上下文。该流水线将静态分析、独立 LLM 验证和 MITRE ATT&CK 等威胁情报结合，大幅降低漏洞率，为 AI 编码工具的安全保障提供了可验证的自动化路径。
此前基准多孤立评测医学问答或表格推理，CLINLENS将多模态纵向临床数据与可执行分析任务结合，并引入程序优先的反向合成方法。结果揭示当前智能体在代码可运行但分析不正确的问题，为临床数据科学智能体的评测设立了更严格标准。
此前业界主要依据答案准确率评估 LLM 数据代理，但该论文指出，基准测试中的正确答案可能来自无效轨迹，这会导致部署中静默失败风险被忽视。引入 Trace Integrity 作为新的可靠性标准，为数据代理的评估和审计提供了更严格的维度。
此前在线提示选择方法在评估准确性和计算成本之间存在权衡，且难以应对训练中不断变化的提示难度。KGPS 将问题重新定义为动态状态估计，实现了自适应的难度选择，无需额外采样，为 LLM 强化学习微调提供更高效的新方案。
已有法律基准多考察信息抽取或问答，很少评估模型能否在信息不完整时坚持并辩护某一法律立场，或综合多条法条。加拿大法律在 legal NLP 中覆盖不足，GRACE 把评估重心从答题转向有依据的立场推理，并给出可复现的数据构造与筛选流程。