当天最强的研究把大语言模型（LLM）当作需要证据门禁的依赖项。C2VEval 暴露了视觉到代码的捷径，Claw-Eval-Live 按真实工作流轨迹打分，IronCurtain 则把安全主张和测试桩、可执行证明绑定在一起。
C2VEval 显示，当任务文本泄露答案时，视觉到代码基准会高估能力。在 circuit-to-Verilog 生成里，sum、cout 或 fsm_3state 这类模型头让多模态 LLM（MLLM）不用看图也能生成看起来合理的寄存器传输级代码。作者把图像换成空白图后，Mirage 模式在评估的 8 个 MLLM 上都追平或超过了真实图像模式。把标识符匿名化后，GPT-5.4 的 Functional Pass@1 从 45.51% 降到 24.55%，Opus 4.6 从 52.69% 降到 11.38%。
Claw-Eval-Live 把同样的证据优先思路用到工作流代理上。它用轨迹、审计日志、服务状态、运行后文件、命令轨迹和测试来评估 105 个任务。Claude Opus 4.6 以 66.7% 的通过率领先，没有一个评估模型达到 70%。这给今天围绕工作流自动化的说法划出一个明确上限，尤其是人力资源、管理和跨系统业务任务。
IronCurtain 把漏洞发现描述为一项有状态的调查。一个中心调度器读取追加写入的日志，派发专门代理，并把代码搜索、测试桩创建和验证放在单个模型上下文之外。这个流程复现了 1998 年的 OpenBSD TCP SACK 漏洞，并用 Opus 4.6 构建了一个 fuzzers，把触发条件缩小到 32 位有符号整数边界上的两个序列号差值。随后，一个基于 QEMU 的驱动复现了内核崩溃。
同一份报告还给出了有用的成本和访问细节。Opus 和 Sonnet 的运行每次调查大约用掉 1000 万 tokens，报告成本接近 150 美元和 30 美元。托管的 GLM 5.1 运行平均用了 2700 万 tokens，仍然为一个 18 年前的整数截断漏洞产出了概念验证和经 sanitizer 验证的测试桩。证据支持的是能验证可达性的安全流程，而不只是静态漏洞报告。
LLM 供应链论文主张，在托管模型更新进入生产前，先在部署方做兼容性门禁。它的例子很具体：单元测试契约、有效 JSON 要求、仅输出代码的规则，以及认证、数据验证和结构化输出等风险类别。在对 7 个 Claude 模型和 25 个提示词的小规模验证中，结构化 JSON 任务的漂移比 SQL 和认证任务更明显。一个后端 SQL 函数在 Sonnet 4 上通过了测试，第二天却在安全编码测试中失败。
Deptex 把同样的运行视角扩展到开源包风险。它把组织图、策略检查、代码属性图可达性和受约束的 LLM 验证结合起来。在它的场景里，一个 CVSS 9.8 的问题出现在 10 个仓库中，但其中 8 条路径被降级，因为它们位于离线批处理脚本里，且要经过 6 次函数跳转，而另外 2 条公共、未认证的 API 路径得到高暴露评级。论文主要是设计和场景报告，所以它的主张还需要测量过的告警减少结果来支撑。
这些硬件相关工作都在处理同一个问题：模型能生成看起来可信的产物，但缺少足够的领域依据。VeriGround 用匿名化训练、空白图拒绝示例和面向决策的偏好调优来解决 circuit generation 里的这个问题。它在正常的 C2VEval 输入上达到 46.11% 的 Functional Pass@1，在匿名化输入上达到 42.51%，同时把有效样本上的误拒绝率压得很低。
JuliaHub 的 Dyad 3.0 公告对物理系统工程提出了类似的产品主张。它把代理和物理仿真、控制设计、安全分析以及嵌入式代码生成连接起来。公告说，一个科学机器学习数字孪生用 4 个传感器输入预测泵故障，在与 Binnies 和 Williams Grand Prix Technologies 的合作中准确率超过 90%。这份公告给出了有用的工程方向，但和 circuit-generation 论文相比，它的基准证据更少。