ParseBench 把 PDF 解析的評分從「文字像不像」改成「agent 能不能直接拿去用」，表格評分的點子值得借鏡，但廠商自家出題的排行榜數字要打折來看。

SELF-INDEX 讓 LLM 自己找出索引哪裡寫不好、只修有問題的文件，並驗證通過才寫入。工程價值高，但裁判與生成者是同一顆模型，可信度仍有缺口。

Ctx2Skill 讓出題的 Challenger 與解題的 Reasoner 自我對弈，不靠人工標註與外部反饋，從長文本提煉可重複使用的技能檔，GPT-4.1 解題率由 11.1% 升至 16.5%。

第三方評測 JEV：讓便宜的 LLM 判官先判，信心不足才轉給 GPT-6。簡單任務只需 27% 費用，難任務準確度不掉但只省 9% 到 33%，本文拆解門檻、AUROC 與校準。

讓 LLM 反覆改寫 agent 的 harness，進化題的分數會一路上升，換題目卻未必有效。Google Cloud AI Research 的 RRSI 用七個護欄管住過擬合，本文也檢視證據的缺口。

Microsoft Research 的 Resource2Skill 把教學影片、程式碼、文章與成品蒸餾成階層式技能庫，七個創作領域平均提升 11.9 個百分點；本文一併檢視其對照組與蒸餾細節的缺口。

Purdue 大學論文《Naive Prompt Optimization》問了一個直白的問題：給夠豐富的執行回饋、配一個夠強的 teacher，還需要 GEPA 那套搜索機制嗎？本文檢視 NPO 的方法，以及它「用更少執行次數打贏 GEPA」這個賣點裡沒拆開驗證的混淆變因。