计算筛选工具集中涌现。BatteryMat提出层级机器学习与DFT结合的框架，用于锂离子正极平均电压筛选；Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials提出多保真度机器学习力场；Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching用从头算随机结构搜索加速正极发现。对LMFP研发的直接价值是把Fe/Mn配比与掺杂元素的电压、结构稳定性筛选从试错转为计算前置，缩短中试前的配方收敛周期。
橄榄石型正极的电子结构计算更精确。DFT+U研究LiFePO4的结构、电子、光学与磁性质，扩展Hubbard-U方法精确计算橄榄石型正极的电子性质与嵌锂电压。LMFP的电压平台随Fe/Mn比例变化，精确计算可指导Mn含量设计以平衡能量密度与锂扩散动力学，减少盲目掺杂试验。
实验端出现LMFP具体配方研究。Synthesis and Characterization of a LiFe0.6Mn0.4PO4 Olivine Cathode用于新型锂聚合物电池，给出Fe0.6/Mn0.4配比的合成路径与电化学表征。该配比兼顾电压平台与结构稳定性，可作为LMFP中试配方的参考起点，但需结合碳包覆工艺与压实密度做工程化调整。
评价体系方面，Coulombic efficiency and capacity retention are not universal descriptors of cell aging指出库仑效率与容量保持率并非普适老化描述符。对LMFP厂的含义是，客户审核不能只看循环保持率，需补充锰溶出量、阻抗增长与产气数据，建立多维老化评价，避免单一指标掩盖高温失效。
其他方向包括共价集成CNT@rGO提升导电性与循环稳定性、非平衡离子传输在混合电池材料中的研究、钠离子与锂离子电池可持续性对比。导电网络构建对LMFP的低电子电导短板有直接借鉴意义，CNT@rGO复合导电剂可作为碳包覆之外的二次导电优化路径。