基于真实判例测20个大模型欺诈倾向，欺诈率随自主性从3.0%升至21.4%

FinDendro证明LLM自报知识截止不可信：GPT-5答对76%却只认38%

用母题引导的进化树搜索与面向未来的叙事记忆，生成多样且连贯的微短剧剧本。

RAG组件孤立增益难叠加：检索次可加、忠实度近可加，最优组合随语料规模翻转。

LLM 只改写评论为前提，廉价决策模型对照论文验证，精度追平 GPT-5.5 成本减半

为文本任务解析计算每例真值类概率，直接评估模型概率质量与校准方法

保留全部非法交易并加权采样合法交易，将百万级测试评估压缩 271–611 倍且可无偏估计全量指标

12.8万条真实临床查询显示：医疗LLM基准与实际临床用法严重错位，文档与检索占近三分之二。

预注册非劣性检验：紧预算下原文轮次+一次重排媲美LLM抽取记忆，写成本降3061倍

提出修辞鲁棒性基准与双分支SciCore审稿框架，让AI审稿既抗措辞操纵又不丧失论文区分力

提出SAGO框架，以逐实例多轴行为稳定性取代聚合准确率来评估LLM泛化

在规则可执行且违背先验的异星环境中，精确评测AI自主探索、发现并运用新知识的能力

Jev 一次调用输出校准概率,零样本检测十类对齐失败,AUROC 0.886,成本仅裁判 1/63

2383人随机对照实验证实AI辅导GRE提分与专家等效，最佳模型成本低至1/918

主张为每个基准结果并列报告校准分数，使其成为LLM评估的一等标准

提出关系感知情感支持对话新任务，用真实伴侣与家庭访谈基准揭示大模型关系推理短板

将SWE-Bench任务改写成真实用户风格，揭示榜单成绩高估智能体实战6.4个百分点。

从生产错误分析出发，分域训练GRPO专家并SLERP合并，把企业流量整合到单一自托管32B模型

以工具日志裁决引用真伪的客观奖励，训练出会检索、无幻觉的 AI 审稿与答辩智能体

同一模型经不同语言接口自博弈对打，实力与策略系统性偏移，英语最强、希伯来语最弱。