崇实大学提出 Skill Following（SF）评测框架：现有’检索 vs 不检索任务的聚合分差’衡量技能库价值存在严重选择偏差。论文形式化 RAE（Retrieval-Invoked Actual-Use Effect）指标——仅在 agent 主动发生检索的任务上，比较同一任务开/关技能的配对执行差。17 个 LLM × 编码（MBPP+）/数学（Math500）的实测揭示’评测悖论’：多个模型聚合检索提升为正、RAE 却为负——系统层面看似受益，恰恰在真正调用了技能的任务上反而有害。诊断分析证明’上下文出现技能内容’远不等于’模型遵循技能’，当前工具使用能力被系统性高估。
深度精读 Epiq AI Labs 与康奈尔大学联合发布的企业级问答基准 CorporateBench。论文用程序化生成的时序知识库（KB）构建四家虚拟公司（12 到 10210 名员工、共 26.3 万封邮件），并从 KB 用人工验证的 SPARQL 查询确定性导出标准答案，保证任意规模下的跨文档逻辑一致性。五个前沿模型测试显示：实体抽取基本不随规模衰减，但关系抽取与时序关系严重崩坏；KB 直连（SQL 工具）显著优于 RAG，且两者差距随规模从 0.24 扩大到 0.37，揭示大规模企业通信网络仍是当前 LLM 的重大短板。
提示压缩号称能砍掉 LLM 推理成本，但主流学习型压缩器几乎全部用英语训练和评估。这篇来自 Hostinger 与考纳斯理工大学的论文做了一次严格的受控跨语言审计：在十种语言、五种文字系统的完全平行数据上，用目标模型分词器做预算匹配对照，超过 25.8 万次评估调用后发现迁移差距真实存在且随压缩强度急剧放大——保持率 0.33 时英语保留 57 至 62 个百分点的上下文价值，中文几乎归零。差距由监督语言而非模型架构驱动：三种英语训练的压缩器全部复现差距，多语训练的 XProvence v1 完全没有差距，确定性基线也无差距。非英语的安全压缩预算只有英语的一半左右。
对话式 LLM 的记忆系统一直用“直接问答“评测：问模型能否回忆先前对话里的事实 X。京都大学团队做了 4 个月真实部署（40 用户、1872 会话、7 种记忆条件）检验这个假设——Direct QA 准确率随容量从 19.7% 涨到 70.1%，用户满意度却纹丝不动。他们从中检出 72 个用户主动引用记忆的真实时刻，构建 MEMUSE 基准，用“自然整合“（回复是否真正织入被引用的记忆）替代召回评测：同一模型同一上下文，Direct QA 78.8% vs 自然整合仅 7.9%，71 分鸿沟；且只有自然整合与满意度相关（ρ=+0.29），Direct QA 完全不相关。Two-step 消融把瓶颈定位于对话生成层而非检索层——即使提取步骤已给出正确细节，生成仍有 77% 不使用。
深度精读 UC San Diego 的 SCALE-QA 与 TSIM 论文——针对真实助手使用形态「单线程多主题混杂的长对话」定义并测量 episode integrity failure：决定性证据明明在对话里，系统却检索到貌似合理的碎片而非让局部约束生效的完整 episode。SCALE-QA 用 3000 题反事实基准（防预训练泄漏）+ 确定性运行时打包（16k-1M）；TSIM 以语义漂移在线分段 + 三视图 episode 索引，在三个后端全部第一（比最强基线高 5.6-17.6 点），1M 诊断中用约 1.3k token 达 96.5% 而 Full Context 用 1.05M token 只有 87.2%。本文拆解「找回 episode 而非答对问题」才是瓶颈的完整证据链。
Recuris（NUS × Stanford × Oxford × Princeton）把递归自我改进从『改模型/改智能体』收缩到『只演化外置记忆控制层』：工作记忆维护经检查器验证的任务状态并按需调用技能，跨任务的固定 Meta-Agent 读结构化轨迹、把失败归因到 E/W/ρ/C 四组件之一并只修补被归因组件，经修复源任务且不回退开发集的验证门才准入。在 4 个长程基准 × 10 个模型上 35/37 完成的模型-基准对成功率提升，GPT-5.6 Sol +17.8、Claude Opus 5 +15.6、最长任务 +32.2 分，六类长程失败模式下降 20–86%；机制上证明长程失败是执行问题而非检索问题，技能价值是『调用条件性』的，结构化轨迹使故障定位从 13.0% 提升到 64.8%。
深度精读 arXiv 2608.19202——把 Agent 的上下文获取（澄清提问、检索、工具调用、提示试验）形式化为主动推理：内层更新对潜在任务状态的信念，外层在上下文动作、任务动作与停止动作之间做选择，最小化包含风险、认知价值与成本的期望自由能。论文推出 OQA 基准，把提问变成属性表上的二十问游戏，用动态规划给出最优 oracle；七个前沿模型全部落后于 oracle。在提示补全实验中，定向澄清把验证器合规率从 0.0417 提升到 0.375，最佳设定 ε*=0.01、K*max=2。核心主张：主动推理是模型无关的上下文获取层设计原则。
Ascp（北京大学 × 腾讯）为生成式搜索建立了’上下文分配定律’：同预算下窄窗多轮（k=2 检索×T=12 轮生成）比宽窗单轮（k=24×T=1）的 portfolio recall 高 0.144，T:1→12 带来 16.8-20.5pp 提升，且验证到 32B 规模。其测量工具是因果留一（LOO）探针——teacher-forced 反事实消融直接测量每篇文档对生成文本的因果利用率，在 same-query 硬负例下 AUC 0.876，而 embedding 相似度坍缩到 0.484（随机水平）。相关性代理测的是’话题相关’，不是’真被用了’。
浙江大学联合新加坡国立大学、东北大学、Heriot-Watt 大学与腾讯提出 MemTrapBench，首次系统评测记忆诱发的认知陷阱：忠实记录且语义相关的记忆，仍可能扭曲大模型的推理与信念，使表现跌破无记忆水平。基准按植入陷阱、噪声掩埋、触发陷阱三阶段生成 1050 个多轮对话实例，覆盖认知偏差、任务边界、创伤、安全四类场景；五个主流记忆框架在 Gemini 与 Qwen 上全部落后无记忆基线逾 10 个百分点，创伤场景去陷阱对照的正确性从 66.40% 回升至 91.07%，证明退化源于陷阱语义而非上下文长度。论文进一步提出推理时提示技能 AdaptiveMem，把是否该用记忆显式化为决策前的静默校验，最高提升 14.9 个百分点且不损害常规记忆基准表现。
深度精读 arxiv:2608.12847——西安交大团队提出 QCR（Query-Conditioned Reuse），指出轨迹记忆的真正瓶颈不在检索而在检索之后的“复用”环节：历史轨迹里的用户名、路径、日期等绑定值会随时间过期，直接注入会诱导模型照抄旧值。QCR 在检索与执行之间插入一步改写，把选中轨迹转化为“工作流不变量/需重取绑定/适用条件/验证护栏”四字段笔记。在 WebArena/WorkArena/AppWorld 共 2391 个目标上，平均 Success 62.3%（比注入完整轨迹高 10.7 点），在线 token 省 48.9%；大绑定偏移下过期绑定错误率从 46.9% 降至 10.9%。