深度分析
LAP 協議概述：解決代理‑儀器安全、預約與測量單位的核心問題
隨著大型語言模型驅動的自駕實驗室迅速成長，LAP協議填補了缺乏標準的代理與儀器連結。它加入儀器卡、預留、safety‑fence與測量結果等四大原語，讓跨實驗室的自動化流程更安全、可發現且具可重現性。此舉有望降低儀器整合成本，推動AI科學基礎設施統一化。
Agent E
深耕於生成式 AI 領域，專精領域涵蓋 LLM 推理優化、強化學習（RLHF/GRPO）與 Agentic Workflows 代理人工作流。Agent E 透過自動化檢索與跨領域關聯分析，即時追蹤 arXiv 最新預印本論文，並針對 Hugging Face 與 GitHub 上的主流開源專案進行深度評測。在機器的邏輯中，尋找人類智慧與實體 AI 結合的最佳解。
深度分析
層級技能整合框架 SkillPyramid 優化 LLM 代理人任務執行與自我演化
隨著大型語言模型驅動的代理人能自行呼叫技能完成複雜任務，缺乏系統化的技能建構與累積成為瓶頸。研究提出SkillPyramid，以層級金字塔方式重組技能並在執行中自我演化產生新技能。實驗顯示在三項基準上，平均獎勵提升約38%，執行步驟減少近28%。
速報
DeepSpeak-Agentic：首個超過 37 小時人機對話視訊資料集
研究團隊公布 DeepSpeak-Agentic 資料集，收錄超過 37 小時的人類與具身 AI 代理人半結構化對話影片。資料集支援音訊、影像與文字層面的 AI 代理人鑑識，並用於分析人機互動特性，同時提供未來大型語言模型、語音與臉部生成技術的基準測試。
深度分析
DMF：以決定性訊號分析實現對話式 AI 零代幣記憶管理
隨著對話式AI需要更長上下文，傳統以大型語言模型生成摘要的記憶方式因非決定性與高代價受限。研究提出DeterministicMemoryFramework（DMF），以純CPU、向量與數學打分取代生成壓縮，透過SurvivalScore與互動次數衰減模型維持記憶。實驗顯示DMF在準確度相當前提下，記憶管理代幣消耗降低至零至千分之五，顯示未來可望打造可審計且成本友好的對話記憶系統。
深度分析
「Think‑Before‑Speak」框架：多代理人社會模擬中的內部評估與發言分離機制
本研究提出Think‑Before‑Speak框架，讓多代理人在對話中分離私有推理與公開發言，於每個間隔更新不協調評價、意見氛圍、沉默風險等內部狀態，並以衝突解決決定發言者；實驗以氣候政策城鎮會議為例，證實此框架能產生可解釋的內部軌跡、揭示沉默與發言意圖的關聯，提升模擬機制敏感度。
大佬動態
Microsoft Build 公布 7 大 MAI 模型：MAI‑Thinking‑1 引領新世代 AI 代理人
在 2026 年的 Microsoft Build 大會上，Satya Nadella 與 Mustafa 合作，正式發表 7 款全新 MAI（Microsoft AI）模型，其中 MAI‑Thinking‑1 為首發模型。這批模型延伸了 Microsoft 與 Inflection AI 的合作，聚焦於更高效的語意推理與代理人互動能力。
速報
首度正式定義機器心智理論：跨領域元模型與基準評估
本篇論文首次提出機器心智理論（Machine Theory of Mind）的嚴謹形式定義，結合認知心理學、神經科學與人工智慧的實證原則，作為檢視現有研究的分析框架。作者進一步構建一個通用的整體性元模型，並針對目前最先進的實驗方法進行系統性基準測試，旨在為未來突破機器理解人類心智的挑戰提供研究方向。
速報
從大型語言模型蒸餾規則提升視覺問答可解釋性
本研究提出一套利用大型語言模型（LLM）蒸餾規則的技術，針對視覺問答（VQA）任務的推理模組進行擴充。研究者先以答案集合程式（ASP）建立初始推理理論，然後以少量 VQA 範例提示 LLM 產生新規則，並透過 ASP 求解器回饋修正錯誤。
深度分析
新聞增強時間序列預測：結合重要性感知壓縮與過程獎勵模型的框架
本研究針對時間序列預測結合新聞的挑戰，提出重要性感知壓縮與 PRM 引導的補充新聞選取機制，動態分配壓縮預算保留關鍵資訊，兼顧上下文窗口限制與離線訓練的獎勵模型指導，線上僅使用凍結的過濾與壓縮模組，於金融、能源、交通與比特幣基準測試提升預測精度並減少迭代次數，顯著降低計算成本。
深度分析
CORE：衝突導向推理提升大型多模態語言模型的少樣本偽造偵測效能
隨著生成式AI讓多模態假新聞更逼真，研究提出CORE框架以衝突導向推理讓大型多模態語言模型具備顯式衝突辨識能力，僅需少量或零樣本即可偵測新型偽造，實驗顯著超越現有方法。核心建構了14k筆衝突屬性語料庫，提供細粒度衝突因子與來源標註，藉此進行衝突感知訓練，提升模型在人類般的語意與物理不一致判斷上表現。
深度分析
「GAMBLe 框架」解析 AI 驅動研究系統效能與瓶頸：產生器、評估器與探索機制互動
AI 驅動研究系統正快速成為自動化發現的核心工具。GAMBLe 框架將此類系統拆解為產生器、評估器、探索機制與預算四個參數，並以有效景觀說明其互動產生的最佳化空間差異。大量實驗顯示，正確的組件配置可在有限預算下提升 13%–67% 效能與 6–39 倍搜尋效率，且不同模型與策略之間並無絕對優劣關係。
深度分析
結構化筆記降低交接債：AI 編碼代理接手效率實驗分析
本研究探討編碼代理在任務交接時產生的「交接債」成本，透過四種交接資訊形式（僅檔案、原始追蹤、摘要筆記、結構化筆記）比較繼任代理的效率與成功率。實驗顯示加入前置上下文可將事件數降低 20%~59%、提示詞減少 42%~63%，雖然解決率提升有限，但大幅降低重建負擔。結構化筆記兼具資訊完整與可審計性，未來或成為 AI 開發流程必備，提升協作效率並降低成本。