按编码器–连接器–LLM 流水线四阶段梳理视频大模型推理效率机制，给出受控对比与研究议程

按控制器决策的最大因果触达，把智能体视觉生成统一划分为 L0–L4 五层的综述与评估框架

OPSD以自身加特权信息当教师，但不对称也扭曲信号，可用三个杠杆治理坍缩。

提出L0–L4递退监督阶梯，沿奖励与经验双轴梳理LRM超越人类监督的方法、风险与评测。

以交付工件为分析单元，用状态化构建框架统揽259项智能体创作研究与评估

用统一数据对象 (E,q,τ,v) 与 ACE 框架把智能体数据生成重构为受限分布设计

首篇智能眼镜系统综述：以感知-状态-行动闭环为纲，提出L0-L5能力分级与九维部署评估框架

以传统仿真器八项能力为标尺审计200篇文献，指出状态反馈与物理引擎是结构性缺口

提出图工程范式，用任务、智能体、运行时三类显式图结构把单体智能体组织成系统智能。

提出六层级人类情境分类法，系统梳理基础模型时代以人为中心智能的方法、数据与评测。

批判性评估圣训计算在LLM时代的真实进展、结构性缺口与五大研究议程

首篇以协同进化为核心的智能体系统综述，提出从智能体互适应到进化机制自主可进化的三阶段分类法

将对抗样本反转用于保护内容所有者，统一五大防护研究社区

用When/Where/How三轴框架重定义大模型时代的持续学习

以「权重 vs 技能」为轴，梳理 77 个机器人学习系统的自我改进谱系

系统综述让代码智能体从软件反馈中持续自我进化的方法与分类框架

统一框架梳理机器人学习进度奖励模型：接口、构造机制、数据与评测

用五层数据金字塔系统化组织具身智能数据生态

系统综述多模态幽默理解的能力层级框架与三大建模范式，揭示识别到解释的能力鸿沟。

把自我改进智能体形式化为参数更新与脚手架更新两条路径，统一梳理历史、分类、应用与评估。