传统专家评估胰腺癌可切除性存在显著变异，此自动化方法可减少主观差异，提供标准化分类，有望提升术前决策的一致性。
此前LLM agent工具选择研究多假设工具可靠性稳定，该工作首次系统评估agent对工具隐蔽可靠性变化的适应能力，揭示了agent容易陷入固定使用模式、难以灵活切换的缺陷，为构建更鲁棒agent提供新视角。
此前大规模LLM后训练主要依赖GPU集群，该方案首次在Ascend NPU集群上实现万亿参数级MoE模型的高效训练，MFU显著超越开源基线，证明NPU路线在大模型领域的可行性和竞争力。
传统检索系统因‘查询脆弱性’难以处理多跳推理，DeLIVeR将证据检索转为强化探索，利用知识图谱和问题分解弥补推理缺口，显著提升事实核查准确率，且路径可审计。
此前语法约束解码仅保证代码符合语法，但无法阻止生成对未定义变量、不存在的 API 选项、缺失列等无效引用。本文方法让生成过程能实时感知运行时环境中的可用符号，首次在解码层同时保证引用有效性，大幅减少低资源编程场景下的错误调用。
此前提示注入主要针对单次交互，本研究揭示持久记忆使攻击延伸至跨会话，过去被认为有效的仅防御外部输入的策略已不足，需要重新考虑记忆写入和读取的安全边界。
此前非专家和跨学科研究人员难以直接查询复杂结构的语义3D城市模型，需要掌握专用数据格式和查询语言。CityLLM通过自然语言接口大幅降低了使用门槛，且支持跨数据库链式查询和迭代细化，使对话式城市数据检索成为可能。
此前认为LLM计划评估器能可靠衡量计划质量，但该研究揭示了其可被操纵的漏洞：删除内部步骤反而提高分数，这会使依赖LLM规划的自主系统（如任务分解、流程自动化）偏向模糊而非完备的计划，增加执行风险。
此前角色模拟在意见预测上的效果缺乏系统评估，现在GPT-4.1在选举和疫苗信念预测上展现了高准确率，提示角色模拟可用于市场调研、民意分析等场景，但对话自然度不足暴露了当前局限。
相比传统全特征基线，该框架首次将强化学习与可解释AI结合实现自动化特征选择，在FDM翘曲检测任务上使AUC提升约5.2%、平均奖励值提高超50%，显著提升了预测精度与稳定性，为工业质量检测的自动化提供了新路径。
此前推理系统已接近百万token上下文，而后训练通常限于256K token，依赖部署时长度泛化。LongStraw在同样GPU预算下将后训练上下文扩展至2M token以上，显著缩小了推理与后训练之间的长度差距，使AI代理等长轨迹应用能在后训练阶段直接处理更长序列，降低了对长度泛化的依赖。
此前普遍认为老旧Fermi GPU无法运行现代多模态助手，本研究证明通过深度优化（8-bit量化、手写GEMM、循环层重写）可以实现全GPU推理，但暴露出长上下文性能断崖式下降这一关键瓶颈，对边缘设备推理方案有重要参考价值。
此前没有统一基准来衡量LLM如何端到端地准备训练数据，现在有了第一个联合评估数据构建与质量的基准，使不同方法的比较标准化。
该综述系统梳理了AI与网络心理学融合的领域，将网络安全从纯技术防御扩展到心理因素分析。它提供了结构化分类与趋势总结，有助于研究者与从业者识别有效方法，并填补跨学科协同的认知空白。
此前多模态临床模型评估通常假设所有模态可用，但实际部署中常缺失某些模态，如超声心动图。该框架提供了在模态缺失时，识别责任模态并区分失败类型（响亮或沉默）的方法，且为模型无关的可复用工具，弥补了现有评估的空白，有助于提升临床 AI 的可靠性和可监控性。