检索日期：2026-03-28 使用原则：本章只保留能直接说明“模型能力是任务相关能力组合”的来源；优先官方模型选择文档、多维能力评测、上下文管理研究、系统指标材料、多模态/实时交互资料、高风险场景稳定性研究。
Compare models 作者/机构：OpenAI API Docs 年份：持续更新 URL：https://developers.openai.com/api/docs/models/compare 角度：reasoning、speed、pricing、context window、features 采用原因：适合支撑“模型比较是多维的，不是单维最强排序”。
Introducing GPT-5.1 for developers 作者/机构：OpenAI 年份：2025 URL：https://openai.com/index/gpt-5-1-for-developers/ 角度：intelligence and speed、自适应推理 采用原因：适合支撑“同一模型内部也存在任务相关的能力配置”。
Choosing the right model 作者/机构：Anthropic Docs 年份：持续更新 URL：https://docs.anthropic.com/en/docs/about-claude/models/choosing-a-model 角度：capabilities、speed、cost 采用原因：适合支撑“选模是工程约束决策，不是智力崇拜”。
Compare Mode in Google AI Studio 作者/机构：Google 年份：2024 URL：https://developers.googleblog.com/compare-mode-in-google-ai-studio/ 角度：cost、latency、token limits、response quality 采用原因：适合支撑“模型优劣是场景化比较，而不是绝对排名”。
Gemini thinking 作者/机构：Google AI for Developers 年份：持续更新 URL：https://ai.google.dev/gemini-api/docs/thinking 角度：thinking level、thinking budget、任务复杂度 采用原因：适合支撑“推理深度本身是可配置能力维度”。
GPT-5 vs GPT-4.1: choosing the right model for your use case 作者/机构：Microsoft Learn 年份：2026 URL：https://learn.microsoft.com/en-us/azure/foundry/foundry-models/how-to/model-choice-guide 角度：latency、throughput、token length、cost、reasoning effort 采用原因：适合支撑“模型选择应与用例、延迟和成本同时对齐”。
Holistic Evaluation of Language Models 作者/机构：Stanford CRFM / Percy Liang 等 年份：2023 URL：https://arxiv.org/abs/2211.09110 角度：场景 × 指标、多维评测框架 采用原因：适合支撑“模型能力天然是多维画像”。
Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them 作者/机构：Google Research / Mirac Suzgun 等 年份：2022/2023 URL：https://arxiv.org/abs/2210.09261 角度：高难推理任务、CoT 对推理能力的影响 采用原因：适合支撑“推理能力既依赖模型，也依赖任务与推理方式”。
ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs 作者/机构：Yujia Qin 等 年份：2023 URL：https://arxiv.org/abs/2307.16789 角度：工具检索、规划、参数填充、调用路径 采用原因：适合支撑“工具调用本身是复合能力包”。
ToolEyes: Fine-Grained Evaluation for Tool Learning Capabilities of Large Language Models 作者/机构：Junjie Ye 等 年份：2024 URL：https://arxiv.org/abs/2401.00741 角度：格式对齐、意图理解、行为规划、工具选择、答案组织 采用原因：适合支撑“工具能力应细粒度拆分而不是混成总分”。
τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains 作者/机构：Shunyu Yao 等 年份：2024 URL：https://arxiv.org/abs/2406.12045 角度：工具-用户-代理动态交互、规则遵循、稳定性 采用原因：适合支撑“Agent 不仅要调对工具，还要持续稳定地调对工具”。
BFCL V4: Format Sensitivity 作者/机构：Berkeley Gorilla 团队 年份：2025 URL：https://gorilla.cs.berkeley.edu/blogs/17_bfcl_v4_prompt_variation.html 角度：函数调用格式鲁棒性、结构化输出稳定性 采用原因：适合支撑“结构化输出是 Agent 的关键底层能力”。
Effective context engineering for AI agents 作者/机构：Anthropic Applied AI team 年份：2025 URL：https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents 角度：context engineering、compaction、attention budget 采用原因：适合支撑“上下文能力是状态管理问题，不只是窗口大小问题”。
Managing context on the Claude Developer Platform 作者/机构：Anthropic 年份：2025 URL：https://claude.com/blog/context-management 角度：context editing、memory tool、工程实证 采用原因：适合支撑“上下文管理改进会显著提升 Agent 表现”。
Context Engineering for Personalization - State Management with Long-Term Memory Notes using OpenAI Agents SDK 作者/机构：OpenAI Cookbook 年份：2026 URL：https://developers.openai.com/cookbook/examples/agents_sdk/context_personalization 角度：distill、consolidate、forget、inject 采用原因：适合支撑“长期记忆是受控生命周期，而不是无限 transcript”。
Lost in the Middle: How Language Models Use Long Contexts 作者/机构：Nelson F. Liu 等 年份：2024 URL：https://arxiv.org/abs/2307.03172 角度：长上下文中的位置偏置与利用率问题 采用原因：适合支撑“能装进去不等于能利用好”。
NoLiMa: Long-Context Evaluation Beyond Literal Matching 作者/机构：Ali Modarressi 等 年份：2025 URL：https://proceedings.mlr.press/v267/modarressi25a.html 角度：超长上下文中的真实关联定位与推理 采用原因：适合支撑“窗口大不等于长上下文能力强”。
Augmenting Language Models with Long-Term Memory 作者/机构：Weizhi Wang 等 年份：2023 URL：https://proceedings.neurips.cc/paper_files/paper/2023/file/ebd82705f44793b6f9ade5a669d0f0bf-Paper-Conference.pdf 角度：外部记忆架构、检索融合 采用原因：适合支撑“长期上下文能力可由记忆系统补足，而不是只靠更大窗口”。
Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context 作者/机构：Gemini Team 年份：2024 URL：https://arxiv.org/abs/2403.05530 角度：百万级上下文、recall、长文档/长视频能力 采用原因：适合作为“大窗口有价值，但仍须比较有效利用能力”的正面案例。
Models 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/models 角度：质量-延迟-价格分层 采用原因：适合支撑“模型选择是约束优化而不是能力上限崇拜”。
Latency optimization 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/latency-optimization 角度：输入输出 token、请求次数、并行化、延迟 采用原因：适合支撑“延迟由模型与系统共同决定”。
Models overview 作者/机构：Anthropic 年份：2026 URL：https://platform.claude.com/docs/en/about-claude/models/overview 角度：intelligence、speed、pricing、context window 采用原因：适合支撑“模型家族天然存在场景分工”。
Prompt Caching 作者/机构：Anthropic 年份：2026 URL：https://platform.claude.com/docs/zh-CN/build-with-claude/prompt-caching 角度：缓存命中、成本、延迟、Agent 场景 采用原因：适合支撑“模型成本还取决于上下文复用策略”。
Metrics / Parameters and Best Practices 作者/机构：NVIDIA NIM LLMs Benchmarking 年份：2025 URL：https://docs.nvidia.com/nim/benchmarking/llm/latest/metrics.html 角度：TTFT、ITL/TPOT、TPS、RPS、并发指标 采用原因：适合支撑“Agent 需要更精确的系统指标语言”。
Efficient Memory Management for Large Language Model Serving with PagedAttention 作者/机构：Woosuk Kwon 等 年份：2023 URL：https://arxiv.org/abs/2309.06180 角度：KV cache 管理、吞吐提升 采用原因：适合支撑“serving stack 会显著改变模型可用性”。
Orca: A Distributed Serving System for Transformer-Based Generative Models 作者/机构：Gyeong-In Yu 等 年份：2022 URL：https://www.usenix.org/conference/osdi22/presentation/yu 角度：调度、批处理、吞吐-延迟权衡 采用原因：适合支撑“大规模 Agent 并发需要系统级调度设计”。
GPT-4o System Card 作者/机构：OpenAI 年份：2024 URL：https://cdn.openai.com/gpt-4o-system-card.pdf 角度：端到端 omni、多模态、低延迟语音 采用原因：适合支撑“实时交互世界需要原生多模态与低延迟能力”。
Moshi: a speech-text foundation model for real-time dialogue 作者/机构：Kyutai 年份：2024 URL：https://arxiv.org/abs/2410.00037 角度：全双工语音、可打断、保留韵律与情绪 采用原因：适合支撑“语音世界不是文本世界的附庸”。
Qwen2.5-Omni Technical Report 作者/机构：Jin Xu 等 年份：2025 URL：https://arxiv.org/abs/2503.20215 角度：流式多模态、Thinker-Talker 结构 采用原因：适合支撑“多模态任务常需要分层能力结构”。
Joint speech and text machine translation for up to 100 languages 作者/机构：SEAMLESS Communication Team 年份：2025 URL：https://www.nature.com/articles/s41586-024-08359-z 角度：跨语种、多模态翻译、鲁棒性 采用原因：适合支撑“跨语种沟通世界需要专门能力组合”。
Gemini Robotics: Bringing AI into the Physical World 作者/机构：Google DeepMind 年份：2025 URL：https://arxiv.org/abs/2503.20020 角度：Vision-Language-Action、时空推理、动作输出 采用原因：适合支撑“物理世界 Agent 需要感知 + 动作 + 安全约束”。
Language Models (Mostly) Know What They Know 作者/机构：Anthropic / Saurav Kadavath 等 年份：2022 URL：https://arxiv.org/abs/2207.05221 角度：校准、不确定性表达、自我认知 采用原因：适合支撑“高风险场景需要更好的自我校准与保守性”。
GPT-4 System Card 作者/机构：OpenAI 年份：2023 URL：https://cdn.openai.com/papers/gpt-4-system-card.pdf 角度：风险轮廓、拒答、系统级缓解 采用原因：适合支撑“更强不等于更适合高风险 Agent”。
Announcing our updated Responsible Scaling Policy 作者/机构：Anthropic 年份：2024 URL：https://www.anthropic.com/news/announcing-our-updated-responsible-scaling-policy 角度：能力阈值、安全防护升级、风险分级 采用原因：适合支撑“高风险选模必须把能力与防护级别一起考虑”。
Toward expert-level medical question answering with large language models 作者/机构：Karan Singhal 等 年份：2025 URL：https://www.nature.com/articles/s41591-024-03423-7 角度：医学问答、安全性、对抗评测、专家评审 采用原因：适合支撑“高风险选模要看领域对抗评测与专家审查”。
Probabilistic medical predictions of large language models 作者/机构：Bowen Gu 等 年份：2024 URL：https://www.nature.com/articles/s41746-024-01366-4 角度：置信度、校准、医疗预测稳定性 采用原因：适合支撑“高风险 Agent 还要求概率和阈值可靠”。