此前多模态时间序列LLM难以处理临床数据的稀疏性、异步性和不规则采样模式。ClinPRISM通过专用架构解决了这一关键局限，并以极低的计算成本（仅16个令牌）实现了快速推理（0.15秒），使临床问答更实用。
此前，Europe PMC等资源仅支持关键词和复杂语法，返回整篇论文，AI代理需自行学习语法、多次搜索并阅读全文。EMBL AI Librarian让代理用自然语言提问即可获得证据，显著降低使用门槛，提升检索效率和准确性，在多个基准上表现优于强基线。
传统记忆系统仅保存交互内容，不建模信任。Σ-Mem首次引入在线可靠性记忆，使系统能基于历史反馈动态评估代理可信度，实现无需重训练的稳定适应，为多代理协调提供新机制。
此前对 AI 基础设施的优化多聚焦于大模型推理本身，而代理式工作流在数据中心中的独特资源需求未被系统研究。该研究首次通过生产环境数据揭示了 CPU 关键路径和碎片化执行等特征，为数据中心设计和服务器优化提供了新视角，可能推动基础设施投资方向的调整。
此前 ISAC 相关研究（如基于学习的感知、资源分配、RIS、边缘智能、多智能体协调和弹性网络）大多孤立发展，缺乏统一视角。该综述首次将智能体 AI 与 ISAC 系统性地结合，提出闭环框架和成熟度分级，为这一领域提供了统一的研究坐标系，有助于后续研究聚焦、比较和推进。
此前 LLM 在多步逻辑推理中常产生幻觉，缺乏可靠规则执行能力。Euclid-MCP 提供标准化接口，将确定性符号推理与 LLM 的自然语言能力结合，填补了安全关键领域缺乏可靠推理基座的空白。
此前Meta-Harness和HyperAgents优化harness的方式要么依赖昂贵代码搜索循环，要么产生不可审计的自我修改代码；本文提供一种更受约束、可审计且样本高效的方法，可在不访问模型内部的情况下通过黑盒API优化代理行为。
此前评估仅关注单个模型在孤立EDA任务上的表现，缺乏对完整流程和agent系统的对比。该研究首次在统一环境下系统评估端到端EDA流程，揭示了agent架构和成本效率的巨大差异，对AI辅助芯片设计工具的选择和优化具有直接指导意义。
此前调度算法多假设请求到达率恒定，与实际流量不符。该研究提出在线适应到达率变化的新方法，可能提升真实场景下的推理吞吐量，对产品性能和成本有潜在影响。
此前 LLM Agent 在工业控制中的可靠性存疑，缺乏安全硬约束。本研究证明，即使 LLM 能高频写设定值，仍需规则门控兜底，否则在扰动抑制等场景会出现严重退化，为工业场景引入 LLM 提供了可审计的安全屏障方案。
此前 RISC-V 指令集扩展（ISAX）的实现和验证在不同内核间进展缓慢且碎片化，需要针对每个内核进行接口适配，差分测试在微架构或 ISAX 变化时经常失效。LACE 通过多智能体工作流和两级 IR，显著提高了生成准确率（从近零到 72.8%），减少了集成返工，为指令扩展的自动化提供了新路径。
此前AI治理工具碎片化，无法应对代理架构特有的对齐漂移、影子AI等威胁。Traccia首次将OpenTelemetry遥测、语义护栏和执行血统整合为统一哈希追溯层，自动输出符合EU AI Act的合规证据包，为自主AI系统的企业级管理提供了可审计的机器可读基础。
此前AI代理的私钥常以明文或环境变量形式存储，存在被窃取风险。该方案通过硬件隔离密钥，使任何软件进程都无法直接获取密钥，将攻击成功率从19.3%降至0%，为高价值自动化操作提供了新的安全基线。
此前LLM被广泛认为具备推理能力，但在酶分类这种层次化知识密集型任务上性能极差，甚至接近零分。本研究揭示了外部知识先于推理的必要性，并提供了一种无需额外训练即可诊断模型弱点的方法，帮助开发者识别模型在何处因缺乏知识而失败。
此前训练后适配技术文献分散，不同技术族、模型类别与部署场景之间难以比较，也缺乏统一术语，导致无法清晰描述模型如何被修改。该论文首次引入系统化六维分类法，统一了术语并为模型变更追踪和治理提供了分析框架，填补了这一空白。