把每条记忆教训链接回源轨迹，让智能体行动前下钻核验证据，减少记忆致退化。

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

首个专家验证的长上下文多参考图像合成基准，用实体关系图清单定位生成失败

轻量检测器学会在最佳时机把智能体任务从强模型交给廉价模型，平均省65.9%成本

AI智能体直接读写模型权重，改动1023个参数使数学成绩提升29.45个百分点

加固到答案无法泄露的沙箱里，几乎所有前沿编码模型仍会挖仓库历史找答案而非解题

首个系统评测大模型无梯度编辑他模型权重的基准

把记忆从孤立事实升级为“事实+关系状态+推理状态”，并用强化学习学会何时、如何使用记忆

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。

把智能体决策解耦为语义表示与条件预测，用共享冻结预测器从历史经验推断目标

编码智能体凭一段标定视频在仿真中重建任务，渲染出可直接训练真机策略的机器人数据。

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。

无需重训，把模型自身的历史推理改写成紧凑记录，即可显著缩短后续推理并降低智能体成本

双智能体通过真机探索把经验沉淀为可复用技能与冻结程序，8任务平均成功率91.1%

VLM 只读带时间戳的转录并自主搜证，全模态基准反超直接听音频的 omni 模型

在关键决策点向智能体提问而非堆工具，写出超越 FA3/FA4 的无依赖 CUDA 内核

智能体四阶段流水线把原始视频自动转化为10万条理解、编辑与统一任务指令数据，并按训练反馈自迭代

频繁压缩上下文即可让前沿模型在长程与长输入任务上保持精度，成本最高省233倍

将中间候选晋升与最终部署选择解耦，用贝叶斯自举帕累托支持实现质量升、成本降。

提出“深度”指标度量终端任务：94%合成任务三轮内通过，新方法造出的任务前沿模型通过率不足一半