关键数据:从约 2000 步降至 50 步是本次最强信号；后续应核对 320 倍是否包含同等精度、同等硬件与预处理开销，并报告边界条件变化后的失效区间。

关键数据:预训练语料约 2TB；比模型规模更值得追踪的是跨卫星迁移和极端事件小样本下的召回率，以及数据许可与区域覆盖是否透明。

关键数据:1070 万段 / 8400 人提供规模信号；后续最关键的是外部医院与消费级传感器上的前瞻验证，并披露不同肤色、年龄和设备的误差差异。

关键数据:住院时长 Macro-F1 0.155→0.310；比单次 AUROC 更重要的是跨医院稳定性与干预后的患者结局，还要核查动态边是否引入未来信息泄漏。

关键判断:如果中间变量一改，后续推理仍机械照抄，说明模型没有使用自己的链条；后续应看该指标能否预测真实工具调用失败，并与直接答案准确率形成互补。

关键判断:多机器人系统应优化“最坏会多糟”而不只是平均成功率；后续变量是风险权重、团队规模与通信故障之间的曲线，并需要真实硬件验证尾部风险。

关键信号:同一路线覆盖 5 个自动驾驶数据集；真正价值取决于跨车型零样本迁移和最坏场景误占据率，还要公开恶劣天气与传感器退化结果。

关键数据:DSEval 90.6只是入口；后续应比较相同成本下，动态团队相对固定编排的净成功率与审查负担，并统计协调失败和重复调用。

关键数据:LPIPS 约 下降 42.5%；后续看视觉质量增益是否同步改善温度测量和缺陷定位，并在不同热像仪与环境温差下复验。

关键判断:安全编辑的核心不是删掉一个向量，而是证明副作用可控；后续看跨语言红队、能力保持和编辑可逆性，并建立连续多次编辑后的漂移上限。

关键判断:角色一致与安全不是两个独立开关；后续应比较长会话中的攻击成功率、误拒率和危机转人工的及时性，并按未成年人场景单独报告。

关键信号:路由正在从静态规则变成在线运营系统；后续指标应包含误路由、恢复时间、人工介入率与权限事故，并验证恶意反馈不会污染自愈策略。

关键判断:实时翻译竞争正在从单句准确率转向延迟、稳定性与治理；后续应公开端到端时延和不同口音下的修正率，并说明敏感语音的留存与删除机制。

关键数据:10,000 块 Blackwell GPU是容量承诺；后续看上线利用率、客户工作负载和主权要求是否增加显著溢价，并核查电力与网络是否成为瓶颈。

关键判断:企业 Agent 的护城河正从模型参数转向语义资产与执行治理；后续看跨系统成功率、回滚和知识更新时延，并评估本体维护的人力总成本。

关键信号:创业展示从“讲产品”转成“公开业务瓶颈”；后续应跟踪现场建议是否形成试点、代码合作或可量化采购，并区分会议线索与已签收入。

关键判断:评测对象应从“是否命中唯一答案”扩展到“是否正确表达分歧”；后续看会议是否形成可复现协议和数据治理建议，并保留群体层面的异议分布。

关键判断:Agent 规模化的下一层不是更多调用，而是可治理的制度；后续看是否给出大规模主体实验和真实市场机制证据，并量化合谋与责任转移风险。

关键节点:两场报告均为 20 分钟报告 + 5 分钟问答；最值得追问的是不确定性是否能提前预测真实失败，以及人工介入能否带来净收益。

关键趋势:通用 Agent 的可扩展性来自可组合抽象，而可信度来自行动前后的证据链；后续看零样本技能迁移和用户控制实测，并比较技能组合后的错误传播。

关键节点:获奖报告定于 8 月 20 日 10:00；值得关注经典逻辑如何与现代 LLM 工具链连接，并观察会议是否提出可执行的混合推理基准。

关键趋势:神经符号从边缘路线进入长期影响评估；后续应看开源实现、复杂规则扩展与真实企业数据上的维护成本，并验证逻辑满足度与业务风险是否同向。

关键判断:经典地位不等于所有场景默认适用；会后最该关注的是校准、公平与现代深度模型下的替代方案，并区分离线增广收益与线上决策质量。

关键判断:解释能力有计算边界；后续关注哪些模型结构能把问题降到可解，以及近似解释对真实用户是否仍有决策价值，并明确超时或失败时的申诉路径。