用四十年原始卫星档案评测12个多模态智能体，发现瓶颈在影像制图与跨传感器核查。

全局规划+局部执行的双层LLM智能体闭环布线，247块PCB上大幅超越现有基线

提出ADB基准与SERS流水线，量化智能体在无对抗输入下自发越权的授权漂移

把工具观测压缩成128个连续隐向量直接喂给智能体：token省70-89%，EM/F1反升。

让模型在潜空间思考、只在工具调用和答案处显式输出，智能体推理更快更准。

在 Gemma 4 26B 骨干上加装语音接口，统一语音推理、对话与工具调用，性能逼近专有系统。

用缓存信用、工具就绪度与token足迹三元组加动态规划联合调度智能体会话，延迟最高降26.8%

在模拟印度银行中用动作检查补足终态检查，揪出跳过必经步骤却蒙混过关的客服模型

1479交互、1790时间目标的基准，揭示12个全模态模型及时干预与持续辅助的短板

模型能跑不等于能干活：开源小模型做编码代理需闯服务、工具、会话、验证四关，且委派并不省钱

用555个可执行契约任务，联合评测智能体的结果、轨迹、成本与合规

用周期性心跳在用户说话时并行推理与调用工具，语音一结束就能快速作答

Meta 开源的 30B 端侧智能体模型：蒸馏自前沿教师，4-bit 量化后单卡 32GB 可跑

基于真实支付业务的可执行基准，用确定性检查同时评估任务完成与全程执行合规。

弱模型真实执行读操作起草轨迹，强模型单次预填充语义验证，质量逼近强模型、省一半内存时间

以语义动作为监督单元的黑盒在线蒸馏，让小模型 agent 对齐教师决策而非复刻词元

让 LLM 在潜空间高效思考、用文本调用工具，性能提升 10.4% 且成本降低 2.7–3.7 倍。

以情绪化用户交互评测并训练工具调用智能体，交互感知信号筛出更自主可靠的轨迹

把城市级3D定位从候选排序重构为VLM智能体的主动空间搜索，用强化学习学会看哪里、何时答

LLM智能体在策略强制API的模拟企业环境中生成数据，结构有效性由构造保证