一篇题为“Accurate electronic properties and intercalation voltages of olivine-type Li-ion cathode materials from extended DFT+U”的论文，通过DFT+U方法精确计算橄榄石型正极材料的电子结构和嵌锂电压，为LMFP材料设计提供理论依据。研究表明，通过调控Mn/Fe比例可优化电压平台。
另一篇“Synthesis and Characterization of a LiFe0.6Mn0.4PO4 Olivine Cathode for Application in a New Lithium Polymer Battery”合成了LiFe0.6Mn0.4PO4材料，并应用于聚合物电池，展示了LMFP在固态电池中的潜力。该材料展现出良好的循环性能，但倍率性能仍需提升。
机器学习在材料研发中的应用增多，如“BatteryMat: a hierarchical machine-learning and DFT framework for average-voltage screening”和“Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials”。这些方法可快速筛选候选材料，加速LMFP成分优化。
此外，有研究关注LMFP的包覆改性，如“Covalently Integrated CNT@rGO for Superior Conductivity and Cycling Stability”展示了碳纳米管和还原氧化石墨烯包覆提升导电性和循环稳定性。这些工艺改进对正极材料企业具有直接参考价值，推动LMFP性能提升。