聚焦研究贡献、实验依据与可复现性。预印本及作者自报结果不等同于独立验证；商业新闻另见产业版。
按主题阅读；数字均保留原始口径，结论区分事实、作者报告与编辑判断。
研究贡献19日提交的 ProteinGeoBench 用131项蛋白质结构任务区分事实检索与真实几何计算，并提供可执行验证器。多模型实验表明，靠近榜首的差异可能落在统计不确定性内，数值计算题仍有共同失误；单次跑分不足以证明科研能力排序。
证据与局限作者报告三款领先模型得分相差不超过0.031，单次抽样有23.9%的概率改变赢家，说明排名不确定性不可忽略。数值题只有28项却占共同失败题的一半；复现须固定运行框架、工具访问、数据版本和重复次数，不能把访问条件差异全部归因于模型本身。
关键数据:任务集只有131项，作者报告单次抽样有23.9%的概率选出不同赢家。榜单名次需要配合置信区间阅读；后续应重点检查几何题的工具轨迹，而非只比较总分。
研究贡献REFLEX 在 SE(3) 空间构建异方差随机桥，用实验 B 因子校准残基扰动幅度，并学习柔性条件以恢复不同构象。推理仅需序列，目标是在结构可信度与集合覆盖率之间取得更好平衡；论文报告多构象基准优势，仍属于预印本证据。
证据与局限论文以多构象基准检验结构精度和集合覆盖，但这些结果仍是作者报告，尚未独立复现。实验 B 因子也受测量与结构环境影响，并非纯粹的柔性真值；需要进一步检查未见 RNA 家族、构象能量合理性以及对扰动强度和训练结构偏差的敏感性。
关键判断:该方法的价值在于更合理地表达结构不确定性，不能把生成数量当成真实构象覆盖。接下来要看独立实验结构、未见 RNA 家族及不同扰动强度下是否维持精度。
研究贡献PhysWord 将原子动作词作为语义锚点，使其隐藏状态与未来视觉、可选触觉表征对齐，再跨时间步预测动作阶段。论文19日提交，报告 UniVTAC 成功率90.3%、LIBERO-Long 为99.6%，还包含双臂和灵巧手实验，比较结论限于文中设置。
证据与局限90.3%和99.6%分别来自不同基准与实验条件，不能合并为统一成功率；真实机器人实验也不能自动代表开放场景可靠性。研究复现应固定视觉触觉输入、动作预算与任务划分，检查动作词设计的消融、未见物体表现、实时推理开销和长程失败恢复。
关键数据:90.3%与99.6%来自不同基准，不能横向合并成通用机器人成功率。更值得追踪的是未见物体、接触变化和真实场景中的重复实验，确认动作词结构是否带来稳定增益。
研究贡献AnyGoal 把评测从专家轨迹附近推向新的目标组合，考察模型能否重组已见状态和动作来支持规划。19日公开的研究指出，多类世界模型在这种组合泛化上仍有缺口；任务变化并非简单换画面，而是改变需要到达的状态及行动路径。
证据与局限该设置关注已见状态与动作能否组成未见目标，并非简单检验图像逼真度。作者结论需结合各模型、规划器和预算读取；复现时应控制搜索策略、训练轨迹覆盖和成功判定，分开分析表示误差与规划不足，不能将某个任务族的失败推广为所有世界模型无效。
关键判断:看过某个状态不等于会为新目标规划，世界模型采购应加入未见目标组合。后续关注的是跨任务成功率及规划成本，而非延长演示视频或仅展示少量成功轨迹。
研究贡献19日论文以 LangGraph 和 Eclipse Dataspace Components 构建多智能体工作流，覆盖数据发现、合同协商、下载、分析与验证，并用可验证凭证限制访问。作者在600次主实验中报告89%成功率和零次观测到的策略违规，技术化与含糊请求的表现差异明显。
证据与局限技术请求成功率98%、日常含糊请求72%，说明任务表述影响较大；另一组600次实验测试层级地理权限，报告全部阻断未授权访问。零观测违规不等于安全保证，验证器也出现约1%的幻觉判定，需进一步测试真实连接器、复杂策略及对抗性跨智能体输入。
关键判断:数据空间智能体不仅要完成分析，还必须证明数据经合法协商取得并实际交付。评测应把访问拒绝、工作流失败和验证器错误分别记录，不能用单一成功率覆盖授权边界与结果可信度。
研究贡献19日公开的 TimelineAgent 面向查询驱动的跨文档事件时间线构建，通过分阶段推理与技能编排组织事件证据。论文提供覆盖多类查询的新基准，并报告优于对比方法；研究焦点是围绕目标整理相关事件及顺序，而非仅将若干文档摘要按日期拼接。
证据与局限arXiv 作者备注标注 EMNLP 2026 Main，此处按作者说明呈现，不将其作为已独立核对会议程序的结论。摘要中的优越性仍需结合完整基线、评分方法与数据划分；应检查事件遗漏、冲突日期、来源归属和复杂查询误差，避免把流畅的时间线当成证据完备。
关键判断:跨文档时间线的质量取决于事件是否相关、日期是否可证及引用是否准确。后续复现应把检索覆盖与排序推理分开诊断，尤其检验冲突证据和事件更新场景，而非只比较文本可读性。
研究贡献20日公开的 MemT-1.0 将动态局部记忆和可训练记忆模块接入模型计算，用固定状态保留历史信息，避免每次都重读完整文本。作者报告记忆基准结果，同时明确文本记忆系统在部分长历史细节检索上仍领先，不能据此宣称记忆能力全面最优。
证据与局限作者同时说明，文本记忆方法在部分长历史细节检索上仍占优，因此固定状态不代表无损保存。应复现遗忘、纠错、用户隔离和长程任务性能，区别模型自报结果与独立测试；公开仓库的软件采用非商业许可，代码、权重和论文材料的使用条件需要分别确认。
关键判断:固定大小记忆为长期交互提供不同的计算路径，但记住事实、修正错误和删除信息是三类独立能力。研究评测需同时覆盖细节保持、状态更新及可控遗忘，不能仅展示一次长对话成功案例。
研究贡献19日预印本 OpenVLHarness 把图片、数据与网页引用组织为可寻址的持久记忆，并让渲染、代码执行等工具共享上下文。作者在22个基准与8个模型上评估，报告相对匹配的无工具基线取得提升，研究对象是系统框架与模型协同，不是仅更换模型权重。
证据与局限论文报告多款模型平均提升约9.7—12.6个百分点，但不同基线的条件和任务组成仍须逐项核对。部分成本比较统计的是模型 token 成本，并非完整工具及基础设施开销；独立复现应控制工具权限、推理预算、记忆策略与评测数据访问，防止把额外资源当作方法收益。
关键判断:视觉推理能力不仅取决于单次图像输入，还取决于中间证据能否保留并被工具重新访问。下一步应比较同等预算下的消融与失败模式，而非把框架提升直接解释成基础模型能力全面跃迁。
研究贡献19日预印本使用地球化学模拟器 PHREEQC，在158道可执行验证题与11007次日志调用中研究证据呈现方式。部分 GPT 模型把长输出改为按需检索后准确率下降，重放显示主要问题可能发生在引用与舍入阶段，而非模拟计算本身。
证据与局限实验覆盖158题及11007次日志调用，输出按需检索对不同模型并非一致有效；权威输出提示在部分设置改善6.3—7.9个百分点。结果不能泛化为所有检索都无效，复现应追踪数值舍入、证据来源和工具链，分开定位计算、检索、引用及最终回答的错误。
关键数据:指定权威输出在文中若干模型上改善6.3—7.9个百分点，但结论依赖模型与任务。后续优化应定位错误发生于计算、检索还是回答阶段，不能把所有失误归为工具不会用。
研究贡献Anthropic 19日技术文章介绍 GRAFT：用监测器把不同训练样本的梯度分流，不良行为进入部署时移除的适配器，目标行为由保留部分学习。实验集中在小模型和简化任务，机制尝试减少把规避监测直接作为奖励优化目标的激励。
证据与局限实验主要使用小模型和简化任务，梯度分流依赖监测器对目标与不良行为的判断。需要检验监测误判、训练分布变化、适配器移除后的能力损失，以及坏行为是否转移到保留参数；这些结果不构成已解决生产级欺骗或规避监测问题的证据。
关键判断:梯度隔离是对训练机制的探索，不是一个可直接采购的安全保证。接下来应看更大模型、更复杂监测器与对抗条件下是否仍有效，并同时报告安全收益及正常能力代价。
研究贡献LG-Bench 将医学、生物与化学的逾万道选择题组织为语义加权图，用邻域一致性和错误分布刻画知识结构。19日提交的论文提出 GCS 与 KBS 两项指标，补充平面准确率的盲区；图中语义相似性本身仍需审查，不能自动视为真实因果关系。
证据与局限论文提出的 GCS 与 KBS 补充正确率，但语义图的构造质量本身也会影响诊断，图边不等同于因果关系。研究者应检查题库重复、数据污染、图权重敏感性和不同模型规模的稳定性；选择题中的知识连贯性也不能直接替代真实临床或实验任务的可靠性。
关键判断:总体分数相近的模型可能拥有完全不同的知识缺口，图结构评测能提供更细的诊断入口。下一步看图边质量、未见题目的稳定性，以及这些诊断能否预测真实任务中的失误。
研究贡献WhatIf-Bench 用37665项半合成任务覆盖数据中心、电网、交通和水系统，把常规回放与新干预条件分开评测。19日论文报告新干预下表现明显下降，多变量联合变化尤其困难，说明拟合历史轨迹的能力不能直接替代对决策后果的预测。
证据与局限37665项任务采用半合成设计，便于控制干预与比较，却仍可能继承模拟器偏差。作者报告回放与新干预条件存在明显性能差距；应分别报告单变量和联合干预，并检查分布外范围、置信度及真实系统迁移，不能用历史拟合成绩证明因果或决策能力。
关键判断:预测未来与预测采取某项行动后的未来是两种能力，采购评测应单列干预场景。后续应比较真实数据中的干预效应、联合变量变化和误差校准，而非只看平均预测分数。
研究贡献Frontiers 于19日宣布 AI in Science 支持计划，拟帮助整理1000个 Horizon Europe 数据集，并提供100项 FAIR² 发表资助。其技术重点是可机器读取的元数据、来源追踪与 AI 数据管理工具，让数据从可下载进一步变成可检索和可复用。
证据与局限公告承诺的是价值160万欧元的服务与支持，而非等额现金科研拨款，1000个数据集与100项资助也是计划规模。研究者需核查申请资格、许可、敏感数据授权和维护期限；是否改善可复现性，应由元数据完整率、机器可读性及实际再利用情况验证。
关键信号:AI for Science 的投入正在向数据准备环节延伸。评估该计划应检查最终可复用数据集、元数据完整率和维护期限，而非只看资助折算金额或上线的数据条目数。