大模型与推理

此前流式 LLM 工作流常将生成视为粗粒度的请求-响应步骤，队列、并发和背压依赖临时回调代码。AiFlow 首次将 Token 级增量标准化为类型化事件，并用 Node Guardian 声明式管理有界队列，使背压、顺序和重试成为可静态验证的系统属性，减小了应用端延迟。

现有评估多依赖静态基准或单轮问题，难以捕捉长对话中的累积行为失败。本研究提出多智能体、多策略对抗框架，能暴露更隐蔽的失败模式，且自动评判与人类评分高度相关，为高安全要求场景下的RPLA提供系统化评估新工具。

此前关于LLM服务的研究多聚焦于技术提案，缺乏对其实际采用情况的了解。该研究揭示了真实项目中框架和方法的使用模式，有助于产品经理和技术决策者理解市场现状，指导技术选型和架构设计。

此前AI安全评估常依赖单一API和单次运行，默认准确率指标可代表模型行为。该研究揭示，同一模型家族内，访问方式和搜索设置会显著改变准确率与响应一致性，甚至逆转模态性能趋势，表明仅报告简单准确率会掩盖安全相关的重要行为差异，对评估标准构成挑战。

以往量子传感实验依赖人工操作，而该工作流让LLM代理自主完成从选择NV中心到复杂测量的完整流程，并能主动检查弱特征，显著减少人工干预。同时引入离线基准，为评估自主实验中的AI推理能力提供了可复现的方法，这是量子传感自动化领域的实质性进展。

此前基准仅评估医学知识问答或面向临床医生的任务，而PatientAgentBench首次系统评估面向患者的代理系统在真实临床场景中的分诊、安全和工作流准确性，揭示了当前代理普遍存在的临床差距，为开发更安全的患者交互AI提供了可量化的评价维度。

相比依赖云端的健康助手，ECHO 可在消费硬件本地运行，数据不外传，符合 GDPR 和 KVKK，可能降低隐私合规成本。其安全层超越零样本 LLM，如 Llama 3.3 70B，表明小型模型结合专用模块可达到实用水平，对资源受限场景有意义。

此前智能体通常依赖模型微调或上下文窗口处理长期任务，而 Argus 展示了通过持久化运行时状态和控制策略实现自我进化，无需更新模型权重。其通过验证门控的自我进化机制，显著提升任务准确率并降低后续任务的消耗，为智能体在真实复杂任务中的应用提供了新范式。

此前 LLM 在数学研究中的长程证明尝试难以协调、评估和复现；Albilich 通过开源 harness 集成 CAS 和可操控性，在标准化基准和未解决问题上取得高成功率，为 AI 辅助数学研究提供了可复现的框架。

现有智能体系统在跨设备场景中缺乏有效状态管理，多智能体系统也未维护跨设备、跨时间的紧凑携带状态。该论文提出以状态设计为核心的原则，并通过基准测试证明其优势在多种 MLLM 设置下稳健，为跨设备智能体的设计提供了新方向。

该研究证实，通过分片分解，小型模型可在成本和成功率上达到生产可用，降低对昂贵前沿模型的依赖，为企业自动化提供了更经济的选择，可能改变LLM选型决策。

此前LLM代理无法识别任务实际所需的努力，往往无差别地读入所有上下文，造成大量浪费。E3首次引入了任务感知的执行范围估计，用最小资源完成正确操作，在成功率不变的前提下大幅降低了计算成本，为AI代理的实用化提供了重要的效率优化方向。

此前LLM评判常假定先提取标准与证据有助于后续裁决，但本研究证明，将证据持久化并作为后续判定唯一输入会损害与人类偏好的一致性。这提示依赖中间证据的评判流程可能需重新设计。

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 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AI for Research研究多聚焦代码实现，忽视实验设计阶段，且缺乏系统评估基准。SCOPE填补这一空白，首次量化LLM在实验设计上的能力边界，揭示现有模型局限，推动AI自动化科学研究向完整工作流发展，为相关产品提供评估标准和改进方向。

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。

此前评估开放域问答通常依赖参考答案或LLM直接评判，后者易被流畅但推理薄弱的回答欺骗。本方法不依赖参考答案，通过细粒度分解推理轨迹实现更可靠的自动审计，尤其适用于医疗等高风险领域，为LLM输出的可信度验证提供了新路径。

此前敏感数据的数据准备通常需要发送到第三方云端模型，受限于治理要求无法广泛采用。该研究表明，开源权重模型在消费者级硬件上即可达到接近饱和的任务完成率，为治理受限的研究机构提供了不传输数据的AI辅助路径。