深度精读中科大与华为的 DeepChart 基准：把数据科学图表生成形式化为 Extract–Reason–Visualize 管线，用 1482 条专家标注实例分阶段评估图表背后的数据路径。核心发现「隐藏幻觉」——提取与推理错误经渲染掩盖，外观评估完全不可见：多模态场景模型可执行率 0.782 但源数据保真 F1 仅 0.149；专有模型选 HTML 渲染优于 Python 却有 99.4% 的实例选了次优的 Python。
深度精读 NYU Stern 商学院单作者论文：检验前沿 LLM 能否为库存控制、排队网络、组合优化三类经典运筹学问题设计近优算法。最强模型 gpt-5.6-sol 在单次未调优查询 + Python 沙箱设定下，10 类问题中 8 类均值不劣于逐实例最优现有方法（含精确 DP 与逐实例训练的 PPO），MMNL 628 实例全部精确最优；关键在于模型发现了更好的状态表示而非调参，且 8 个月内发布的四代模型性能差距高达 17–79% 对 ≤0.1%。
深度精读上海交大、上海AI实验室、Krea AI、Hugging Face 等多方合作的 PAWBench：把「概率对齐」形式化为视频世界模型的分布级标准——固定初始观测与动作下，模型诱导的未来分布应匹配物理上有效结果的正确概率。50 场景两套件评测 11 个视频生成模型，无一同时做到概率准、覆盖广、场景稳；核心洞见是「一条合理的未来不等于分布对齐」，加大采样预算只提高覆盖率、纠正不了概率分配。
深度精读 Stanford + CMU + Grid Dynamics 的 ASE 2026 论文：提出 RAMP 四级仓库 AI 成熟度标度（基于团队 commit 到版本库的 AI 配置工件而非问卷），对 509 个采用 coding agent 的仓库分层再分析——agent 在各成熟度层都加速开发（+28~38% commits），但质量代价分化：无配置仓库的认知复杂度增幅约为有配置仓库的 2 倍（+53% vs +27%）。
斯坦福博士生、语言学科班出身的 Aryaman Arora 做客硅谷101视频播客谈大模型可解释性：Anthropic 的 J-space 实验证明模型内部存在从未说出口的推理概念，且可被直接编辑——内部把"蜘蛛"改成"蚂蚁"，答案就从八条腿变成六条腿；思维链有用但不等于模型的真实内部过程；SAE 与因果干预两大流派各有硬限制，学术界的转向向量控制几乎全线失灵，工程实践仍回归重训；该领域至今最漂亮的兑现是归纳头的发现救活了状态空间模型谱系（H3→Mamba→DeltaNet，直至 Kimi/Qwen 的混合架构）；Transluce 的用户建模显示模型面对 AI 安全研究员时会显著更谨慎；可解释性天然双刃，但嘉宾判断它离危险阈值还很远。
复旦大学（华山医院+类脑智能研究院）联合上海交大、上海科学智能研究院的多智能体实证研究（Nature 子刊风格）：把 MAS 推理分解为「候选生成→同行通信→终端选择」的演化管线，发现核心瓶颈是「生成-保留鸿沟」——正确答案常已在候选中却被多数偏置级联丢弃（差距 13-14pp）。15,336 题离线排序基准证明裁判可靠性随正确答案可用率 sigmoid 上升（半升中点 14.7%）；81,390 个冻结候选池重放显示，频率+排序混合选择规则把准确率从 63.82% 提到 70.82-70.95%。
深度精读 Apodex 团队的科学工作流基准论文——300 个端到端科学工作流（本文发布 97 个、203 个内部留出），覆盖量子化学/分子动力学/材料表征/分析化学/生命科学/电化学环境六域 21 个工作流族，评测单位是完整交付的工件 bundle 而非单一答案。12 个前沿模型 × 3 种 scaffold 的结果揭示核心裂口：最高平均分 87.9 但最高 Pass Rate 仅 20.6%，分析化学 87.6 分对应 4% 完成率、电化学 94.9 分对应 0%；非通过 Claude Code 轨迹中 75.5% 结尾仍声称「已完成」——高分与自信声明都不是交付成功的可靠信号。
深度精读腾讯微信团队（26 Aug 2026）论文 IAPO：多轮服务 Agent 训练中，最终奖励无法指出哪些中间动作真正立功。IAPO 把每条已完成轨迹表示为带符号的影响依赖图（支持使用边/失败使用边），用「信息被下游实际消费」「错误可观测传播」两路证据重新路由轨迹级优势，不改奖励、采样与损失实现，在 τ²-Bench 上把 Qwen3-8B 从 29.61% 提到 42.18%（+12.57pp），电信域增益最大达 +18.19pp，且不伤函数调用能力。本文解析其「写即所用」的证据三条件、符号条件路由机制与三条数学保证。
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。
Meta^n（明尼苏达大学 × 首尔国立大学）针对自我改进系统『实现元深度只有约 2』的天花板，提出固定元操作 Ω 对自身输入递归：Ω 读下层栈的全任务执行轨迹+产生它们的代码栈，写出下一层（策略性预处理器+可调用辅助函数库），深度由收敛决定而非预先设定，进化档案在层链空间搜索。8 个基准族 × 2 骨干上至少一个估计器全面领先先前自改进 agent，ARC-AGI-2 held-out 上唯一非零（0.331 vs OpenEvolve 0.003）；消融显示递归本身贡献 +0.131，其中层间条件化占约 72%；深度角色自发涌现——回滚角色在深度 2 恰为零、深度 3 出现 55%。