开源模型与生态

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 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。

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 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。

此前代理评估只能判断模型选错工具，却无法解释原因。该研究提供了多维诊断框架，将单一错误转化为能力画像，为模型能力分层与安全评估提供新方法论，并揭示能力层级与安全性脱节的现象。

相较于前代 K-EXAONE，K-EXAONE 2.0 通过架构升级将模型容量扩大三倍以上，支持更长上下文和更多语言，并在智能体编码、长上下文理解等实用场景中获得最大提升，且以 Apache 2.0 开源，为开源模型生态提供了新的基础模型选择，标志着 LG 向全球前沿模型迈进。

此前开源统一多模态模型在生成质量和速度上普遍落后于闭源系统，Boogu-Image-0.1证明在有限算力下通过优化数据质量、训练管道和推理时缩放即可达到接近闭源产品的水平，且完全开源，降低了高端图像生成与编辑模型的使用和定制门槛。

该研究量化了 LLM 编码智能体在仓库探索阶段的低效问题（例如 30B OpenHands 代理平均每解决一个问题消耗 631K 代币），并通过引入专用检索智能体，在不牺牲解题率的情况下显著降低了轮次和代币消耗，为提升编码智能体效率提供了可复现的解决方案。

现有长文档视觉问答方法缺乏显式机制来表示和验证证据组合过程，导致准确性和可追踪性受限。DocTrace 将问题重构为证据图推理，显式构建带节点级溯源的证据图，不仅提升性能，还提供可追溯的推理路径，有助于提升复杂文档理解的可信度。

此前生物医学关系抽取中，符号系统如SemRep精度高但召回率低，LLM上下文推理强但误报多。ANCHOR-RE结合两者，在不更新参数的情况下接近微调系统性能，并保持时间外数据的精度，表明神经符号方法可提升LLM在专业领域的可靠性，对减少虚构输出有意义。

此前恶意软件分析依赖大型语言模型，但封闭模型API成本高、开源大模型计算资源需求大。该研究表明通过合理编排多个小模型，可达到或超过单一大型模型性能，且成本显著降低，为资源受限场景提供可行替代方案。

此前缺乏对期刊AI审稿政策的系统性梳理，也缺少对AI审稿质量的细粒度评估。该研究首次对比两大社区政策差异，并揭示了AI评审在乐观偏差、批评泛化等方面的不足，提醒评审方不能仅依赖综合分数，需多维度衡量，对科研出版流程有直接参考价值。

此前业界普遍认为位置偏倚是LLM评测的固定混杂因素，但测量手段常因单次选项排列和采样噪声而不可靠。该研究首次给出可检测的准确率区间，并指出在高性能模型上无法测出偏倚不等于真正无偏，改变了评测结果的解读方式。

此前多模态推理要么依赖高成本的显式思维链（CoT），要么需要昂贵训练的潜在推理，且直接移植文本推理方法效能不稳。AGS首次提出无需训练、基于注意力比率的切换机制，在降低推理时延的同时提升准确率，为高效多模态推理提供了新路径。

此前隐式推理方法多集中于生成或验证中间状态，未充分刻画各层在偏好建模中的作用。HiLaR 首次将分层偏好表征与层感知奖励结合，减少显式推理开销，并提升推荐准确性，为 LLM 推荐提供新思路。

此前自动评分研究多关注整体准确性，而该研究首次在大规模数据上揭示微调开源LLM在评分中存在母语相关系统性偏差，可能影响教育评估的公平性，需引起产品设计者注意。

此前编码工具主要辅助个人，而本研究揭示编码代理显著提升任务完成量和速度，但改变了开源社区协作结构，人际交互减少，知识公共性下降。这提示AI引入可能以牺牲社区知识积累和长期协作质量为代价，对依赖开源生态的企业和研究机构有重要警示。

此前对多模态大语言模型可视化能力的评估多局限于简单图表（如柱状图），缺乏对科学可视化（如流场、体积渲染）的理解测试。本研究首次使用标准化科学可视化素养测试对比人类，揭示了模型在真实科学场景下的能力短板，为AI在科研辅助工具中的应用提供关键参考。

此前，高精度漏洞定位通常依赖大型模型或专有 API，成本高且部署受限。Antares 用紧凑模型达到接近 GPT-5.5 的效果，突破了传统上模型大小与性能的权衡，使得在本地低算力环境下快速、经济地进行漏洞扫描成为可能，可能改变安全工具链的部署方式。

此前基于复杂推理harness的智能体难以用开源SFT/RL栈端到端训练，因为后者无法原生表达有状态多进程推理。OpenForgeRL解耦训练与推理，使研究者能在实际部署环境中直接训练和改进智能体，大幅降低了Harness-based Agent的训练门槛。

此前共情聊天机器人和3D化身多为独立研究方向，缺乏开源且整合共情回复、情感感知和统一表情语音渲染的代理式系统。EmpaAva将共情能力带入实时视频交互，并用单一LLM协调感知与表达，为构建有情感、可检查的虚拟交互产品提供了可复用的开源方案，有助于降低相关产品研发门槛。

此前对 LLM 导师的评估主要聚焦答案正确性，忽略教学适配这一关键维度。PSI 提供一个可计算的复合指标，并证明它能有效识别并改进教学不当的响应，这意味着 LLM 在课堂场景的应用质量评价有了更贴近实际需求的新工具，可能推动 AI 辅导产品从“答得对”转向“教得好”。