该工作提出iS-KV，一种面向长程推理的在线低秩KV缓存压缩方法：它保留最近窗口为精确表示，将较早状态增量折叠为有界秩表示，并在低秩基演化时同步历史坐标以维持表示一致性；在DeepSeek-R1-Distill-Llama-8B上以4.06倍持久KV压缩达到82.6%准确率（原模型83.6%），在Qwen3-8B上以5.64倍压缩达到89.2%准确率，并在匹配内存预算下持续优于token驱逐基线。
该工作提出自适应一致性图（ACG），把执行证据及其来源增量组织进一张持久图，并在受限上下文预算下为每一步决策构造以需求为中心的临时视图，在不替换原有规划器与工具执行器的前提下，使 GPT-5.6-luna 在三个基准上的等权平均成功率从 ReAct 的 44.5% 提升到 50.2%，其中 BrowseComp-Plus 从 62.4% 升至 73.5%。
该工作提出符号闭包分析（SCA）刻画长程推理中的探索偏差与累积偏差，并据此设计SAGE框架，通过代数稀疏化与双曲结构引导在训练时注入结构先验，在12个基准、7个模型族上优于SFT、GRPO、EMPO、GRPO-PRM等基线，并在Andrews-Curtis开放任务上取得最高约8倍的Lean验证证明提升。
已读完全部报道