深度分析

向量檢索的學習瓶頸：MED 理論揭示僅需 Θ(k) 維度即可達成完美 top‑k

研究探討向量檢索在top‑k任務的最小可嵌入維度（MED），指出在內積、餘弦相似度與歐氏距離下，所需維度僅與k成Θ(k)關係，與元素數量m無關。進一步的中心點設定顯示維度上界為O(k²log m)，說明效能限制主要來自學習可行性而非幾何約束。

速報

語言模型幻覺現象：線性關係導致虛構實體生成

研究聚焦於語言模型在面對未知實體時的幻覺問題，特別是線性關係的影響。研究者以合成未知實體基準 SyntHal 測試四種指令微調模型，發現線性關係與模型產生虛構答案的機率高度相關，相關係數介於 0.58 至 0.84。結果顯示，非線性關係較不易引發幻覺，提供未來模型設計的方向。

大型語言模型展現量子特徵：貝爾不等式違背與玻色-愛因斯坦統計

本研究以大型語言模型作為受測者，探討概念組合中的量子結構。實驗顯示 ChatGPT 與 Gemini 在貝爾不等式測試中明顯違背上限，且產出文本遵循玻色‑愛因斯坦統計而非麥克斯韋‑波爾茲曼分布。此結果暗示人工智慧語言在語意向量空間中具備與人類認知相似的量子組織特性，可能重塑未來 AI 認知模型的設計方向。

SeSE：以結構熵量化大型語言模型幻覺不確定性的框架

大型語言模型易產生幻覺，需透過不確定性量化避免。SeSE以結構資訊建構導向語義圖，計算最佳編碼樹的結構熵，數值越高表示不確定性越大。實驗證明其在29種模型上超越現有基準。此外，SeSE以零資源方式運作，支援開源與閉源模型，並透過隨機遊走在回應-斷言雙向圖上，提供長文生成的細粒度不確定性估計。

DeMuon：去中心化矩陣最佳化新方法突破圖形拓撲限制

本研究針對去中心化矩陣最佳化提出 DeMuon，結合 Newton‑Schulz 正交化與梯度追蹤，能在重尾噪聲下保持迭代效率。理論證明其複雜度與最佳中心化方法相當，實驗顯示於不同圖形拓撲的 transformer 預訓練中，表現優於現有去中心化演算法。

Gemma 4 12B 具備 Unified 架構與 16 GB 部署需求，開源多模態 AI 亮相

Google DeepMind 推出的 Gemma 4 12B 為開源多模態模型，採用無編碼器「Unified」架構，支援文字、影像與音訊，能在 16GB 記憶體筆電上本地執行。其 256K 上下文與原生工具呼叫提升企業私密與邊緣運算效能，同時支援原生代理工具與逐步推理模式，降低多模態延遲與 VRAM 需求。

Trainee‑Bench：評估多模態大型語言模型在動態職場中的探索與持續學習能力

隨著多模態大型語言模型快速發展，研究多聚焦於靜態環境的效能上限，卻忽視真實職場的動態任務排程、主動探索與持續學習需求。作者提出 Trainee‑Bench，評測代理人在流式任務、資訊隱蔽與規則生成情境下的表現，實驗顯示現有 SOTA 代理人在探索與持續學習上仍有顯著缺口。

視覺變壓器的「綁定」資訊：提升多物件辨識的關鍵

本研究針對視覺變壓器（ViT）在多物件場景中的特徵綁定問題進行資訊理論化分析，提出測量模型表徵中綁定資訊的探測方法。實驗以不同挑戰（特徵共享、遮擋、自然特徵）之資料集，評估 ViT 各層（CLS token、空間 token）的綁定表現，並比較多個預訓練模型。

LLM 與條件化 TTS 結合提升低資源語言對話式語音辨識效能

隨著低資源語言缺乏對話式語音資料，研究提出利用大型語言模型產生情境對話並映射說話者屬性至TTS聲音，合成多說話者對話音檔。實驗在匈牙利BEA‑Dialogue基準上顯示，合成對話可提升辨識準確度，且在僅67小時真實資料與636小時合成資料的配置下，優於使用2700小時匈牙利語音的零樣本模型。

PURGE 利用梯度投影與多層抹除實現高效機器學習去除

隨著GDPR要求資料刪除，機器去學習成關鍵。研究提出Purge利用A‑GEM梯度投影，結合多層表示抹除與retain‑confusion目標，確保不提升保留損失。實驗在五個資料集上，保留精度維持96%以上，且會員推斷AUROC接近0.5，優於現有基線。

Taiji 結合 Pareto Optimal Policy Optimization 與 QwQ‑32B 的工業級 LLM 增強推薦框架

隨著大型語言模型與推薦系統深度融合，Taiji 以逆向推理產生高品質 CoT 並透過 POPO 動態調整語意與偏好獎勵，框架包含資料建構、推理啟動、LLM‑推薦協作與線上排序四大模組，實驗顯示其在快手廣告平台提升 2.83% ADVV 與 3.30% 營收，支援超過 4 億日活使用者。

YOLO26 以 NMS‑free、DFL‑free 設計提升即時偵測效能並支援多任務與開放詞彙

即時視覺需求推動更快更準的偵測模型，Ultralytics推出YOLO26以雙頭設計免除NMS、移除DFL並採用MuSGD、ProgressiveLoss與STAL三重訓練優化。實驗顯示在COCO上達到40.9‑57.5mAP且延遲僅1.7‑11.8ms，刷新即時偵測的準確度與效能前緣。