AI Sentinel: Frontier

AI Daily Review

2026-06-17 · 中文 · full text with sources

在 App 里订阅关键词提醒

你关心的话题一有动静就推送 · 30 天归档 · 每日语音
因审核政策原因,暂未在中国区上架;海外 Apple ID 可下载

AI日报 2026-06-17 00:36 UTC

当前人工智能研究正经历一场重要转型，从碎片化的能力演示迈向能够应对真实世界部署需求的集成化系统架构。 本文审视的证据表明，三大关键领域正日趋成熟：智能体基础设施在建立基础信任与行为保障方面取得进展，具身智能逐步收敛于统一的感知-运动系统，临床AI则与真实诊断流程对齐。 与这些架构进步并行的是，评估方法变得愈发严格，借助贝叶斯框架和领域特定指标，揭示出基准测试乐观情绪常常掩盖的持续能力缺口。 以下分析将探讨这些进展如何共同重塑AI研究与部署的格局。

智能体AI基础设施的成熟

智能体AI基础设施的成熟沿着多个维度推进，信任、安全与行为理解正成为相互关联的基础性关切。 TrustedARI的证据表明，路由基础设施——即智能体请求流转的关键通道——存在现有架构未能解决的根本性安全漏洞1。 该系统引入了原生信任路由机制，可对路由完整性进行验证，并防范请求/响应篡改，这与明文查询处理方式形成了实质性决裂1。 这项工作表明，信任不能被视为事后补缀、叠加在智能体系统之上的附属品，而必须嵌入架构层面。

智能体工作流的安全基础设施面临着由多轮交互特性带来的独特挑战。 AWS指出，智能体AI应用通常每轮会话包含10到20次甚至更多交互，每一次都呈现出不同的风险特征，涵盖提示注入、有害输出生成以及个人身份信息（PII）泄露2。 该公司引入了逐请求安全检查机制，可在无需大规模统一配置防护栏的运维开销下实现细粒度风险管理2。 这一方法通过在请求层面而非仅依赖外围防御来解决安全问题，与原生信任路由形成互补。

行为理解基础设施则针对智能体可靠性的另一维度。 几何动作模型（Geometric Action Model）表明，基础模型可被重新用作感知、时序预测与动作解码的统一基底，从而实现过程指纹化，捕捉超越静态基准分数的行为轨迹3。 这一能力为刻画智能体系统在长时间交互序列中的行为表现提供了机制——这是理解已部署系统中信任与安全属性的必要前提。

在新兴基础设施不断涌现的背景下，关键缺口依然存在。 Snyk的VulnBench基准测试显示，智能体LLM的安全发现结果在不同运行间呈现出不均衡的可重复性4。 当同一漏洞是否被检出取决于运行条件时，组织无法将单次扫描结果用于关键安全决策4。 这种可复现性挑战直接动摇了TrustedARI所提出的信任基础设施：只有当被验证的系统能够产生一致输出时，验证机制才具有意义。

传输层构成了最根本的未解缺口。 尽管MCP和A2A已分别解决了工具调用与任务协调问题，但智能体点对点连接的传输层仍未得到解决5。 缺乏传输层方案，所有智能体间流量都必须经由中心化中继转发，这会引入延迟、中继成本以及单点故障，从而制约其在云、边缘与家庭网络部署中的可扩展性5。 因此，现有证据勾勒出一条成熟轨迹：基础信任与安全基础设施和行为理解能力并行发展，而可复现性与传输层挑战则持续构成可靠智能体系统部署的结构性限制。

具身智能融合

具身智能领域正从碎片化、任务专用的架构，转向整合触觉感知、全身协调与世界模型的统一系统。 这一融合趋势得益于数据集基础设施、策略架构和全身控制框架等方面的互补性进展。

触觉感知是当前视觉-语言-动作（VLA）模型中一项关键缺失。 已有研究指出，现有面向机器人操作的VLA系统大多忽视触觉传感，或仅依赖静态线索，这与高度依赖动态触觉反馈的人类灵巧操作之间存在显著差距6。 这一缺口推动了富含触觉信息的数据集构建，以及旨在实现触觉反应式策略的架构创新。 与此同时，Human Universal Grasping（HUG）利用人类抓取作为天然监督信号，通过大规模第一人称视角的人类抓取数据集，结合流匹配生成模型，为通用操作提供了一条可扩展的路径7。 综合来看，这些研究表明，将触觉反馈与人类衍生监督信号相融合，能够使具身系统突破长期以来制约机器人操作的单任务局限。

世界模型为统一各类具身任务提供了感知基础。 Qwen-RobotWorld展示了一种以语言为条件的视频世界模型，它将自然语言作为统一的动作接口，用于预测具有物理基础的未来视觉轨迹，从而贯通机器人操作、自动驾驶、室内导航和人机迁移等多个领域8。 这解决了长期以来割裂具身子领域的碎片化问题。 阿里巴巴宣称发布了Qwen-Robot系列，称其为首个完整的具身智能模型家族，涵盖VLA操作、VLN导航和世界模型，分别被形容为赋予机器人“灵巧的双手、导航的双腿和思考的大脑”9。 尽管这一厂商说法尚待独立验证，但它体现了业界对集成式架构的投入——即在统一框架内融合感知、导航与推理。

全身协调进一步将这种融合从孤立的操作或运动拓展至更广层面。 ROVE提出了一种系统与算法协同设计的框架，使人形VLA模型在后训练阶段能够从不完美的人工干预中进行强化学习，解决了全身协调与灵巧手部控制所产生的干预数据固有噪声问题10。 据公开报道，Curr-0在单一端到端策略中统一了移动能力、全身姿态协调与灵巧手部操作11，成为ROVE算法框架所赋能的单策略方法的具体实现。

因此，这一融合轨迹呈现出三项相互交织的进展：富含触觉的数据与反应式策略填补感知缺口6； 统一世界模型通过语言条件接口桥接子领域8, 9； 全身协调框架实现单一策略对移动与操作的跨域控制10, 11。 这些进展共同表明，具身系统正朝着高度集成的方向迈进。

医疗AI临床工作流对齐

循证多轮临床问答基准的出现，标志着医疗AI评估长期由单任务范式主导的局面发生了显著转变。 EHRNote-ChatQA直接填补了这一空白，推出首个专为面向患者多份出院小结的循证多轮临床问答设计的基准； 该工作认识到，现有临床QA评估未能捕捉实际医疗实践中迭代式信息整合的特征12。 这一基准标志着方法论层面的成熟：评估框架开始模拟临床医生整合纵向病历时所采用的多轮推理过程。

工作流集成评估的发展轨迹已超越对话式推理，延伸至多任务诊断管线。 多中心腹部疾病诊断基准同时涵盖疾病诊断与非增强CT的自动化影像报告生成，证明单期相成像即可合成增强扫描所见，内部AUC达69.1%，外部达63.1%13。 这项工作体现了从孤立诊断任务向端到端临床工作流建模的转变，能够在减少扫描负担的同时保持诊断效用，从而实现更安全、更节约资源的非增强成像工作流13。

分期感知疾病建模进一步将工作流集成拓展至时序因果推理。 BN-LTE将潜在时间嵌入与贝叶斯网络相结合，以分期感知的方式建模阿尔茨海默病进展，捕捉疾病轨迹的机制性理解，而这是临床医生规划干预措施时所必需的14。 这一方法反映出学界日益认识到：临床决策依赖于对疾病随时间演变的建模，而非仅仅是快照式分类。

特定领域的诊断精度成果展示了专科医疗AI系统当前的能力。 基于自适应椭圆极坐标变换的视网膜神经纤维层分析在青光眼检测中达到99%的准确率，提供了一种不受视盘或黄斑位置影响的标准化方法15。 在定义明确的诊断任务上取得如此高的精度，说明当评估框架与具体临床工作流对齐时，所能实现的进步空间。

然而，即便是设计精良的系统，也受到根本性限制的约束。 情感识别中稀有类别识别的研究表明，稀有类别在Russell环状模型上呈现几何退化，对任何损失函数所能达到的性能构成了根本性边界16。 这种环状退化是损失函数工程无法克服的局限，促使研究转向表征学习方法——这类方法能够内在地区分退化类别，而非仅仅重新定价其混淆程度16。 这一发现对医疗AI具有广泛启示：罕见病识别面临着类似的几何约束，评估方法论必须正视而非回避这些约束。

以CPS4为代表的半监督方法通过利用视觉语言模型与类别提示来提升医学图像分割中伪标签的质量，回应了上述评估约束，同时缓解了医学图像标注昂贵且耗时的问题17。 这类方法通过降低数据需求，突破了资源受限场景下的部署瓶颈，从而拓展了工作流集成的边界。

综合来看，这些进展表明该领域正从孤立的诊断精度指标转向全面的工作流对齐评估； 与此同时，稀有类别识别中持续存在的能力局限，仍是评估方法论必须直面的根本性挑战。

多模态可解释性与安全性

多模态扩散 Transformer 与视觉自回归模型的兴起，暴露出将语言模型的可解释性与安全性方法直接迁移到视觉领域时存在根本性局限。 例如，语言模型的回路追踪技术无法简单套用于基于扩散的图像生成系统，因为去噪过程会引入与时间步相关的非线性变换，需要完全不同的归因机制18。 这种局限并非单纯的技术障碍，而是反映了更深层的结构性差异：视觉模型编码语义概念的方式，使其难以适用为文本表征开发的擦除与对齐技术。

“语义奇点公理”（Semantic Singularity Axiom）指出，视觉自回归模型中的语义概念从根本上被锁定在 Scale-0，这意味着简单套用基于扩散的擦除技术将导致灾难性的语义崩塌与视觉伪影19。 这一发现表明，多模态系统中的概念纠缠经由语言模型安全研究尚未触及的机制运作。 语义结构在初始尺度上的锁定意味着，安全干预必须考虑视觉自回归生成的层级化、尺度依赖架构，而非将概念视为可独立操控的 Token。

DifFRACT 通过将基于 Transcoder 的回路追踪扩展到多模态扩散 Transformer，填补了可解释性空白。 它引入了以时间步为条件的 Transcoder，用于近似 FLUX.1schnell 中的 MLP 子层，并在去噪过程中实现精确的特征到特征归因18。 这看似是对语言模型回路分析方法的直接延伸，但其技术实现——以扩散时间步为条件——揭示了多模态架构需要的是创新性适配，而非现有工具的直接移植。

作为对机制性回路分析的补充，不确定性激活图（Uncertainty Activation Maps）通过生成“空缺”（证据缺失）与“不协调”（证据冲突）的映射，将不确定性量化与空间可解释性连接起来20。 这填补了安全关键型应用中的重要空白——在这些场景中，标量置信度指标难以充分揭示不确定性的来源。 UAMs 的空间粒度使从业者能够区分不同的失效模式：视觉证据缺失与视觉信号矛盾，这些信息对于恰当的人工监督至关重要。

多模态大语言模型中的视觉幻觉问题需要独特的缓解方法，而现有的表征对齐或通用检索增强生成方法均无法提供21。 所提出的检索增强可靠性感知推理框架，利用预训练视觉嵌入与最近邻检索构建外部视觉证据库，以估计实例级预测的可信度，从而提供一种针对视觉内容幻觉这一特定失效模式校准的安全机制。

TIGER 通过任务指令引导异构视觉基础模型间的专家路由，表明多模态系统中的可解释性与安全挑战无法通过单一模型方案解决22。 在无需微调的情况下协调多个冻结视觉模型，这一思路暗示：稳健的多模态安全可能需要利用互补模型能力的架构方案，而非依赖同构单一系统的对齐。

综合来看，这些进展共同表明，多模态可解释性与安全性需要能够涵盖视觉幻觉失效模式与概念纠缠机制的方法，而这些并不能直接映射到语言模型的方法上。 现有证据表明，通过时间步条件化回路追踪、空间不确定性可视化、检索增强可靠性评估以及多模型专家协调，研究已超越语言模型技术的范畴——每一项都针对着现有语言模型工具无法妥善解决的多模态特有挑战。

推理与训练效率创新

AI 系统的计算效率正通过多种基本互不重叠的策略取得进展，这些策略分别针对推理与训练流程中的不同瓶颈。 现有证据并未指向某种单一方案，而是呈现出一个分散却互补的格局：并行解码、不同系统层级的缓存，以及选择性内存管理，各自瞄准了不同的约束条件。

并行解码方法是创新的一个重要方向。 离散扩散模型理论上可通过并行采样 token 实现低延迟生成，但独立的 token 选择会产生连贯性冲突，削弱实际并行效果 23。 并行更新之间的平均场协调在不增加训练开销的前提下化解了这一矛盾 23。 类似地，传统推测解码面临架构层面的天花板：由于草稿生成是顺序的，更深的推测深度会线性增加延迟 24。 Amazon SageMaker AI 指出，通过 Parallel-EAGLE（P-EAGLE）将推测解码改造为完全并行化操作，可突破这一顺序瓶颈 24。 这两种方法——面向扩散模型的平均场协调与面向自回归模型的并行化推测——针对的架构基础不同，但共同目标都是从生成过程中挖掘更高的并行度。

缓存创新发生在互补的系统层级。 实例扩容期间的容器镜像缓存针对启动延迟，AWS 称该方法可将 ml.g6.2xlarge 上 16 GB 模型的端到端启动时间缩短约 51% 25。 在更高的抽象层级，TokenPilot 引入了双粒度上下文管理，在保持提示缓存连续性的同时缩减 token 占用量，其作者称可实现 61%–87% 的成本降低 26。 这些方案在架构上截然不同：容器缓存解决基础设施供给问题，而 TokenPilot 直接作用于推理上下文窗口内部。

选择性内存管理已超越简单缓存，迈向主动上下文编辑。 KVEraser 表明，长上下文应用经常会在预填充完成后才发现过时事实、错误的工具观测结果或有害注入内容 27。 精确擦除方法需要重新计算被删区间之后的所有 token，导致成本与后缀长度成正比 27。 KVEraser 的解决思路是：仅将被擦除区间的 KV 状态替换为习得的引导状态，同时保留其余缓存 27。 这种选择性方法与 TokenPilot 更宽泛的上下文管理形成对照，它瞄准的是对特定上下文区间的精准切除。

持续学习带来了另一重效率挑战：如何在迭代训练中避免灾难性遗忘。 ReGrad 将梯度视为可检索的知识单元，离线预计算文档专属梯度并存储在带索引的 Gradient Bank 中，供查询时检索 28。 该方法通过将知识存储与模型参数解耦，彻底规避了累积性权重漂移 28，为完全重训以及缺乏参数化集成的传统检索增强生成提供了另一种选择 28。

这些方法之间的互补性具有结构性。 并行解码加速生成； 容器缓存与上下文管理减少跨会话和轮次内的冗余计算； 选择性 KV 编辑支持动态上下文精炼； 可检索梯度将知识积累与参数修改解耦。 综合来看，它们表明计算效率并非依靠单一技术路径推进，而是通过分层、面向具体任务的优化，分别应对 AI 系统部署中不同的时间与架构约束。

AI 研究辅助与科学发现

现有证据表明，AI 系统已在因果推断、处理效应估计与跨领域知识迁移等多个科学领域产生实质性贡献； 与此同时，严格评估也揭示出，检索能力远超真正的知识综合水平。 这一双重模式说明，AI 研究辅助在狭窄的分析任务中已具备实用价值，但在将检索到的信息整合为连贯的科学推理方面仍存在根本局限。

因果推断框架具体展示了这一模式。 文献 29 将专家约束的因果发现与深度端到端因果推断相结合，应用于换道预测，从而识别出基于相关性的分类方法无法捕捉的上游因素与因果链。 该思路在处理效应估计中得到延伸：文献 30 将异质性处理效应识别重新定义为对齐的多模态预处理表征上的马尔可夫毯发现问题，在因果识别与现代表征学习之间架起桥梁，兼顾表达能力与可解释性。 这些工作共同表明，AI 方法正从模式识别迈向因果机制发现，在需要对变量关系进行结构化推理的领域展现出真正的科学实用价值。

跨领域知识迁移为研究效用提供了进一步证据。 文献 31 提出记忆增强的图液体时间常数网络，实现从数据丰富到数据稀缺的交通预测领域之间的有效知识迁移，解决了基础设施分布不均带来的现实部署约束。 这一能力还延伸到复杂推理：文献 32 利用人工撰写的问答语料作为探索性强化学习中期训练的奖励支架，使模型能够发现超出预定义原语的更广泛求解策略，而非仅仅模仿参考答案。

然而，评估证据揭示了检索与综合之间的关键落差。 最直接的例证来自文献 33，该研究构建了一个包含 442 篇专家策划的元分析基准，配有经核实的正例、困难负例及完整检索策略。 尽管在 K=200 时检索召回率达到 90.9%，但没有任何系统能恢复超过 52.7% 的真实纳入文献，暴露出关键的筛选瓶颈：当存在主题相关的干扰项时，当前大语言模型无法可靠地应用纳入标准。 检索表现与真实恢复之间 38 个百分点的差距，精确量化了综合能力的不足。

文献 34 提供了补充评估，系统对比了面向 EconCS 的 AI 研究工作流与一年级博士生的基线表现，发现当前大语言模型在相同研究任务上略逊于新手研究者。 这一比较结果证实，尽管 AI 系统在因果推理和知识迁移方面已展现出一定能力，但尚未达到连初入门研究者都能稳定完成的整合性推理水平。

这些发现的汇聚确立了核心论断：AI 研究辅助已从理论潜力走向因果发现、表征学习与知识迁移等分析子任务上的实证效用，但评估方法同时揭示，检索表现系统性地高估了综合能力。 文献 33 中检索与恢复之间 38 个百分点的差距，以及文献 34 中与新手相当的表现，共同表明当前系统擅长定位相关信息，却在判别检索到的材料究竟支持何种结论方面仍然不足。

评估严谨性与基准测试方法论

将 AI 评估重新界定为贝叶斯推断问题，而非终局式排名，标志着该领域在能力主张评估方式上的方法论转折点。 证据 35 表明，当前公开的评估档案——包括 LiveBench、Open LLM Leaderboard v2、LMArena、GAIA 和 tau-bench——被当作静态排名来使用，却无人审视由报告规则、基准修订和数据缺失所塑造的底层证据结构。 这种透明性与可复现性的缺失，从根本上削弱了基于这些平台得出的能力评估的有效性。 所提出的贝叶斯重新刻画将评估分数视为由新证据不断更新的后验信念，而非定论式排名，从而使当前基准的隐含假设变得明确且可审计。

这一向概率化评估框架的概念转变，在证据 36 中找到了技术支撑：该研究在一般高斯插值条件下，推导出了线性高斯逆问题的精确后验分数闭式解。 这一闭式解架起了无需训练的后验采样方法（缺乏任务特定适配）与基于训练的条件模型（丢弃了预训练先验结构）之间的桥梁。 其对评估方法论的意义在于，为不确定性量化提供了有原则的基础：后验评分不再将模型输出视为点估计，而是围绕能力主张构建出经过校准的置信区间。 证据 35 与 36 共同表明，严谨的评估既需要对“评估究竟代表什么”进行概念重构，也需要用于实现关于模型能力的贝叶斯推理的技术工具。

对可复现性评估的推进在不同领域表现各异，但一致揭示出：所谓的能力主张在重复测量下往往脆弱不堪。 证据 4 提出了 Snyk VulnBench JS 1.0，这是一个专为测量智能体 LLM 对 JavaScript 代码安全审查的可重复性而设计的基准。 不同运行间可重复性参差不齐的发现，对部署可靠性具有直接影响：如果同一漏洞在独立评估中可能被检出也可能被遗漏，组织便无法将关键安全决策建立在单次扫描结果之上。 这种可复现性失效并非单纯的技术偶然，而是对高风险领域能力主张可信度的根本性挑战。

证据 37 将可复现性关切延伸至代码模型评估方法论本身，对 26 种旨在改进冻结小型代码模型输出的语义后处理算子进行了严格的实证评估。 研究表明，小型代码模型的性能提升往往源于修复提取框架，而非语义过滤器本身； 这提醒开发者，当底层生成器缺乏覆盖度时，不应过度设计复杂的后处理推理层。 这一发现说明，评估方法论必须考虑测量基础设施带来的伪影； 否则，表面上的能力改进可能反映的是基准伪影，而非模型真正的进步。 证据 4 与 37 之间的张力颇具启示：二者均表明，若无专门设计的评估协议，可复现性失效可能隐匿不见，但两者针对的是评估栈的不同层面——4 关注测量一致性，37 则关注测量有效性。

领域特定的偏好对齐指标构成了方法论严谨性的第三个维度，旨在解决通用评估框架常常无法捕捉专业领域内细微质量差异的局限。 证据 38 推出了 TuneJury，这是一个开放的、实例级文本到音乐生成成对奖励模型，能够根据文本提示和音频片段预测偏好分数。 该论文指出，当前音乐生成模型缺乏可靠的开源偏好指标，这一空白既制约了研究进展，也限制了实际部署。 TuneJury 通过提供一个校准良好、具有泛化能力的奖励模型来弥补这一缺陷，该模型在分布外基准上可与先前基线相媲美。 这一进展的重要性超越了音乐生成本身：经过校准的领域特定偏好指标的存在，使得能力追踪比仅凭通用基准更为精确，尤其对于那些仍以人类判断为金标准、却无法在实践中大规模获取的生成任务而言。

贝叶斯评估框架、可复现性评估协议与领域特定对齐指标的融合表明，AI评估方法论正从简单的排名走向有原则的不确定性量化，日趋成熟。 35和36为将能力声明视为概率性而非确定性命题提供了概念与技术基础； 4和37表明可复现性必须主动测量而非默认成立； 38则表明严格评估需要领域特定的测量工具，而非通用代理指标。 这些进展共同说明，该领域正在构建必要的方法论基础设施，从而对持续存在的能力差距做出可靠判断——这是将研究精力引向真实而非虚幻局限的前提。

简要动态

除了集成式AI系统与评估方法论的成熟之外，研究在安全性、可解释性及专业领域的基础技术方面也持续取得进展。 在安全方面，InstantForget展示了一种无参数、在推理阶段移除后门的方法，无需重新训练即可将攻击成功率降至零39； 另一项研究则发现，联邦学习中的差分隐私会无意中掩盖恶意更新，削弱依赖检测此类更新的防御机制40。 针对大语言模型API，Knowledge Trap引入了蜜罐知识图谱，诱使提取式攻击者落入低可迁移性陷阱，在不损害正常服务的前提下消耗其查询预算41。 在另一互补性威胁中，GAS-Leak-LLM表明，通过遗传算法优化对抗性后缀可越狱黑盒LLM，无需接触模型内部即可绕过安全对齐42。

可解释性研究探索了神经网络如何表征信息。 一项研究表明，图像分类器依赖相位而非幅度，这与经典人类感知实验相呼应，并解释了CNN与视觉Transformer之间纹理–形状偏差的差异43。 另一项研究发现，语言模型以线性方式编码了一条“价值轴”，用于追踪其对目标达成概率的估计，为自我监控提供了机制层面的洞见44。 与此同时，Vernier揭示了因果推理中的表征脆弱性：当变量名称改变时，经指令微调的LLM会给出不一致的答案，暴露出一种根本性的编码局限45。

新方法与新数据集进一步扩充了工具箱。 FusionRS发布了首个面向遥感的大规模RGB–红外–文本数据集，使双模态视觉–语言基础模型成为可能46。 在时间序列方面，过滤共形椭球在存在依赖性的情况下为联合预测区间提供了严格的覆盖保证，且无需高斯假设47。 在拓扑数据分析中，一种基于Betti数、谱间隙与解析挠率的紧凑谱表示，在保留预测信号的同时大幅降低了持久拉普拉斯的计算成本48。 MeshLoom则提出了一种用于非刚性网格配准的前馈网络，可在数秒内处理序列，避免了昂贵的逐实例优化49。

社会与产业层面的动态同样值得关注。 Google DeepMind与英国政府宣布了一款基于Gemini的规划工具，旨在将住户申请的决策时间缩短一半——这是实现150万套住房目标的一大瓶颈50。 Splunk/Cisco的一篇赞助文章警告称，AI生成的欺骗内容已改变攻击者的成本收益结构，SOC分析师被海量警报与误报淹没51。 面向实践者的实用指南也相继出现，包括关于避免pandas逐行迭代以提升性能的教程52，以及一份转向LLM工程的结构化路线图53。

综合与展望

具身智能、智能体基础设施与医疗AI应用的交汇，揭示了这一领域正同时走向专业化细分与集成化融合的双重趋势。 缓存、并行解码与选择性记忆管理等效率创新，提供了不可或缺的计算基础——若无这些进展，多轮临床推理与全身机器人协调都将难以实现。 这形成了一种强化循环：基础设施的成熟支撑了应用的深化，而应用需求又反过来推动效率研究。 同样，日益严格的评估体系——涵盖贝叶斯框架、可复现性评估以及领域特定的偏好对齐——正在解决一个关键瓶颈：随着系统日趋复杂并被部署于高风险领域，衡量能力缺口的能力已成为负责任开发的必要条件。 针对多模态模型的新型可解释性方法的出现，反映出一种更广泛的共识：当系统需要同时在触觉、视觉与符号模态上进行推理时，纯语言模型的方法论已显不足。 具身AI对统一架构的追求，与罕见类别识别上的持续局限（这限制了临床应用）之间，存在一种富有建设性的张力，表明集成与专业化仍处于未决的对话之中。 尽管原始研究层面的证据较为充实，但在安全影响与理论基础方面却明显薄弱，这就留下了一个悬而未决的问题：当前的评估方法能否在部署后的智能体系统大规模出现故障之前，预判其失效模式。

本综述共援引91项进展：69项Tier A研究来源、4项Tier B一手来源，以及18项Tier C/D二手或社区来源。 最可靠的论断基于Tier A的研究，而一手来源与社区来源应被视为方向性参考； 若要建立更强的置信度，还需对这些自述结果进行独立复现与一手来源验证。

原文链接与引用索引