本期论文的共同倾向是把智能体评测与成本从对话结果转向可验证的执行记录。PhysAI-Bench 将决策前信息隔离、时序依赖、物理约束与 MCP/A2A 交互纳入无人机决策评测，给出 29 个基础模型的可比分数。APEXA 用确定性工具层护栏拒绝无实际调用支撑的结果，把正确性判定绑定到执行记录。TCA 将记忆注入成本显式归因，量化其随工作流深度增长的比例。ORION-CMR 与 MFAST 则分别把多任务 CMR 流程和金融交易决策整合为端到端、可审计的系统协议。
arXiv AI74
arXiv 上发布 PhysAI-Bench，用于评测自主无人机场景中基础模型的智能体决策能力。该基准从无人机任务的对话轨迹中自动提取 10,178 条标准化决策实例，每条保留任务上下文、时序依赖、物理约束、MCP 工具调用、A2A 交互、传感器观测和 AI 原生 6G 网络条件，且只暴露决策前信息以避免未来信息泄漏。研究团队以两阶段协议评测 29 个基础模型：先在 35 条人工校验开发集上从 12 种提示与温度组合中选定配置，再在 500 条互斥实例上测评。GPT-5.3 准确率最高达 52.00%，GPT-5.2 为 49.40%，Grok 4.5 为 49.07%；少样本提示总体提升表现，温度影响有限。
为什么值得看既有基准多测物理感知、直觉物理、具身导航和协作推理，很少评测可靠自主所需的智能体决策。PhysAI-Bench 把决策前信息隔离、时序依赖、物理约束、MCP/A2A 交互和 6G 网络条件一起纳入评测，相当于把“自主系统能不能在动态环境里做对决策”变成可量化对象，并首次给出 29 个基础模型在该任务上的可比分数。
arXiv AI71
论文提出 APEXA，一个已部署的多智能体框架，在大型光源设施上以自然语言自动完成探测器校准与方位角积分，包含 61 个跨异构计算工具并运行于单一推理循环。其核心是确定性工具层护栏，拒绝呈现任何没有实际执行工具调用支撑的结果。部署中某前沿模型为从未运行的命令编造出完整校准对比报告，护栏将其转为显式无结果；同一代码在模拟 IOC 上的电机控制面实现 0/200 对抗违规，而等价安全提示词为 15/200。团队同时发布含 58 项设施任务的 APEXA-Bench。
为什么值得看此前的 LLM 智能体评测基本停留在对话与文本任务，无法暴露“智能体报告了根本没执行的计算”这类失败。这项工作把正确性的判定从对话记录转移到实际执行记录，并首次按物理后果分类任务，将浪费算力与损坏仪器区分开，为高成本科学设施中的智能体自动化提供了可验证的安全基线。
arXiv AI71
一项 arXiv 研究提出 SkinAgent AI，一个非诊断性多模态智能体框架，结合视觉问题路由与基于大模型的编排，覆盖痤疮、毛孔、皱纹路由，照片肤质估计，以及基于计数的痤疮严重度支持，并配有类型化工具、数据库推荐、确定性安全与隐私检查、状态变更前审批和可回放追踪。实验显示，肤况路由准确率 99.84%±0.07%，肤质估计 88.85%，痤疮严重度支持 84.59%、二次加权 kappa 0.9076。在 240 例系统基准上，意图准确率 80.00%，工具集完全匹配 62.92%，严格任务完成率 47.08%。
为什么值得看此前消费级护肤 AI 多停留在单点识别或对话建议，缺少安全边界、审计与工具调用约束。该工作把路由、工具、数据库推荐、隐私与安全检查和审批串联为可追踪流程，并分开评估视觉模型与系统级智能体行为，使非诊断护肤助手的工程可行性有了量化参照，而非仅凭模型精度宣称可用。
arXiv AI68
一篇 arXiv 论文提出 Total Cost of Agency（TCA），把多智能体 LLM 工作流成本拆分为基础提示、推理、记忆注入、未命中惩罚和上下文累积五部分，并用两遍非计费 token 计数直接测量注入 token。在 200 个企业任务基准上对真实模型 API 测试显示，记忆注入约占完整计费成本的 12%，可优化变量成本的 13.6%，且占比随工作流深度从 1 层的零升至 6 层的 27.6%。
为什么值得看此前生产可观测工具只报告总 token 成本，不区分节点自身生成与外部注入的 token，导致这部分账单对付费团队不可见。该研究把不可见的记忆注入成本显式归因，并给出随深度增长的比例数据，使成本拆分从估算变为可测量。
arXiv AI67
研究团队提出 ORION-CMR，一个在扫描仪端运行的端到端 CMR 基础模型，预训练使用 9,258 项检查的 12,896,733 张图像，可在约 90 秒内完成序列分类、心室功能评估、LGE 检测、疾病分类与基于本地大模型的报告生成。该框架在公开基准及 68 例多厂商临床队列中评估，正常与异常分类 AUC 为 0.96，多分类 AUC 为 0.88，生成报告与专家解读一致率为 81.4%，并在 LGE 分类和疤痕分割上超过监督基线与已发表的 CMR-FM。
为什么值得看此前多数 AI 方案只处理 CMR 流程中的单一任务，采集、后处理和解读彼此割裂，难以进入临床工作流。该工作报告了首个经临床评估的扫描仪原生端到端 CMR 基础模型，把多项任务和报告生成合并到约 90 秒的单次流程中，并给出多厂商队列上的量化表现，方向从孤立任务转向流程整合。
arXiv AI67
一篇 arXiv 论文提出 MFAST 框架，将带时间戳的金融文本转换为可审计、可复现且市场可行的交易决策。该框架把 Refinitiv News Analytics 与 CRSP 股票数据链接，样本外评估限于发布后且超出基础模型数据时效期的新闻，并增加使用公开金融文本与价格数据的复现分支。结果显示 decoder-only 语言模型在分类、概率校准、收益预测和净组合表现上优于 encoder 基线与词典情感方法。
为什么值得看此前金融 AI 研究分散在时序预测、文本分类、图建模与 MLOps，缺少把事件时间可观测性、概率校准、执行时点、交易成本、流动性、容量和统计推断放在一起测试的领域协议。该论文提出了一个可联合评估信号是否在真实决策系统中仍有效的框架，并给出与证券链接及数据时效隔离的评估设定。