BatteryMat提出分层机器学习与DFT框架用于锂离子正极平均电压筛选，Toward Multi-Fidelity Machine Learning Force Field针对正极材料构建多精度机器学习力场，Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching探索从头算随机结构搜索加速正极发现。背景是LMFP的电压平台与锰铁比、掺杂元素关系复杂，传统试错法周期长。对正极厂的影响是：机器学习筛选可缩短掺杂配方开发周期，但需高质量的实验数据集支撑，头部正极厂积累的产线数据将成为稀缺资产，与学术机构合作建立数据闭环的企业将获得配方迭代速度优势。
DFT+U研究LiFePO4的结构、电子、光学与磁性，以及扩展方法计算橄榄石型正极的电子性质与嵌锂电压，LiFe0.6Mn0.4PO4橄榄石正极的合成与表征面向新型锂聚合物电池应用。背景是LMFP的电压滞后与电子电导问题需从电子结构层面理解。对LMFP研发的影响是：DFT计算可指导锰铁比与掺杂元素选择，减少盲目实验，但计算结果的实验可验证性依赖合成工艺的一致性，正极厂在引入计算筛选时应同步建立小试平台的标准化表征流程。
演化界面重构与原子级Mn-N配位协同策略实现MnO长循环储锂稳定性，Covalently Integrated CNT@rGO提升导电性与循环稳定性。背景是锰基材料的锰溶出与界面不稳定是共性难题。对LMFP的影响是：Mn-N配位与界面重构思路可迁移至LMFP的表面包覆与体相掺杂设计，碳纳米管与还原氧化石墨烯共价复合的导电网络方案，为LMFP极片导电体系提供替代路径，但需评估成本与分散工艺的兼容性。
Coulombic efficiency与容量保持率并非电池老化的通用描述符，这一观点对LMFP的循环评价体系提出反思；Non-equilibrium Ion Transport in a Hybrid Battery Material研究混合电池材料中的非平衡离子输运。背景是行业普遍以容量保持率评价循环，但不同老化机制下指标含义不同。对正极厂的影响是：LMFP的锰溶出与SEI增长可能同时影响库仑效率与容量保持，单一指标难以区分衰减来源，正极厂在客户验证中需提供dQ/dV与阻抗谱等多维数据，以证明衰减来自正极还是界面。
Text-to-Battery Recipe探索基于语言模型的电池配方自动提取与检索，Opinion on sustainability-performance relationship比较钠离子与锂离子电池的可持续性-性能关系。背景是研发数据分散在文献与报告中，配方知识难以结构化。对正极厂的影响是：语言模型可加速竞品专利与文献的配方解析，辅助LMFP包覆掺杂方案的快速对标，但数据质量与保密性仍是落地障碍，企业更可能先在内部实验记录结构化上应用类似方法。