Agent E

深度分析

對抗式圖案對航空載具偵測的實體威脅：從 YOLOv3 數位優化到實地驗證

本研究針對航空載具偵測器，開發可列印的對抗式圖案，透過數位優化後實體部署，驗證不同配置的攻擊效能與環境魯棒性，結果顯示放置於車頂的圖案在實地最具破壞力。此外，加入天氣擾動的增強並未提升攻擊成功率，適度的總變差正則化才能兼顧列印可行與對抗效力。

深度分析

重正化群映射全連接深度神經網路訓練過程：理論與可解釋性分析

本研究探討全連接深度神經網路的可解釋性，將其訓練過程等同於統計物理的重正化群，針對指數族連續分布進行推導，證明最佳化後的特徵層參數即為RG固定點，此結果不僅驗證了先前在一維Ising模型上的等價性，也為未來將RG概念應用於更複雜的實際資料提供理論基礎。

深度分析

PLM‑NIDS：利用 RWKV 語言模型實現加密流量入侵偵測新突破

傳統DPI無法檢測TLS1.3與QUIC加密流量，研究以RWKV狀態空間模型將L3/L4封包元資料視為語言語法，透過無標籤預訓練與異常感測，達到0.93PR‑AUC的攻擊偵測，且能即時逐封包處理，對加密協議保持中立。此技術展示了預訓練模型在資安領域的潛力，並挑戰傳統簽名式入侵偵測的既定框架。

深度分析

StemBind：揭示多模態大型語言模型在抽象視覺推理中的規則綁定缺口

隨著多模態大型語言模型在抽象視覺推理上展現出「規則正確但答案錯」的現象，研究者推出StemBind診斷基準，透過同一視覺題幹的感知、規則與完整三題測試，發現超過半數模型在規則綁定步驟失敗，規模與思考模式亦未能改善。此結果顯示當前模型仍缺乏將抽象規則映射至具體選項的能力，呼籲未來研究聚焦於規則綁定機制與更精細的評估。

深度分析

CaB：利用 Boundary‑Phase Tokens 提升視覺語言動作代理的切換與控制

VLA代理在短指令序列切換時易出錯，研究提出Completion at the Boundary（CaB）模型，利用Before/Hit/After三階段標記形成雙向BPT後驗分布，同時提供when切換介面與how控制條件。Minecraft測試顯示CaB提升複合任務成功率與交接品質。

深度分析

C5 互動模型應用於生成式 AI 主動偵測與生命周期評估

隨著生成式人工智慧大量產出對抗性合成內容，傳統被動偵測已跟不上速度。研究提出以C5互動模型為基礎的生命周期主動偵測方法，涵蓋情境監控、協調行為偵測與異常偵測等技術。結果顯示此框架可在敘事萌芽階段提前介入，提升資訊生態的韌性。並評估多層圖協調偵測與代理式AI系統。

速報

FoLoRA：保留基礎模型能力的忘記感知 LoRA 優化框架

微調雖能讓基礎模型適應特定任務，但常會削弱預訓練時獲得的通用能力。為了同時提升目標任務表現與保留非目標能力，研究團隊提出 Foundation Preserving LoRA（FoLoRA），一種以遺忘懲罰與任務效用為指標的優化方法。

深度分析

結合音訊、歌詞嵌入與大型語言模型的多模態音樂推薦框架

本研究針對音樂串流的序列推薦問題，打造結合音訊、歌詞嵌入與LLM生成語意標註的多模態框架，並加入聆聽完成率作為行為信號。實驗在LastFM-1K資料集顯示，融合內容特徵後Recall提升至95%、NDCG提升至79%，同時指出簡單融合未必帶來加成，跨模態對齊仍具挑戰。

深度分析

實體 AI 運行時護欄：從理論到實務的沉默失敗與授權框架

隨著實體AI模型直接產出行動，傳統安全機制不足以防止沉默失敗。研究提出運行時授權護欄，從語意、狀態、可行性、時效與操作等七面檢驗，展示新框架對機器人與自駕安全的必要性。此框架將模型信心、感測不確定性與操作限制結合，形成完整的授權事件，避免硬體執行前的隱性錯誤。

深度分析

動態可行性門檻驗證：針對機器人世界模型的物理 AI 輸出安全檢測

在物理AI系統中，預測模型常提供下一狀態或動作序列，但其提案未必符合機器的實體限制。研究提出一套實體可行性門檻，透過可達性、動態一致性檢測，能在執行前即剔除不可行的提案，提升效能。實驗在LeRobotPushT資料集上測得AUC高達0.98，證明門檻能有效辨識動態違規。

深度分析

Snowflake 推出 Horizon Context 與 Cortex Sense：打造企業 AI 代理人可治理語意層

企業AI代理人因語意層缺失導致同一資料產出不同答案。Snowflake於Summit推出HorizonContext與CortexSense雙層語意治理，將資料定義統一於目錄層，提升答案可追溯性與正確率。此舉被視為下一波AI生產關鍵。並引發業界對開放語意標準的討論。

深度分析

利用特質向量追蹤 AI 代理人行為：Skill 檔案差異與風險評分

隨著 AI 代理人依賴 skill、memory 與行為設定檔執行任務，這些文字檔的變化直接影響未來行為。研究提出以文字嵌入空間方向量化特質，透過對「前後」檔案差異訓練線性模型，將特質向量投射至差異向量以評分。實驗在 68 組資料搜尋特質的檔案差異上取得 91.2% 正負分類正確率與 0.82 的 Spearman 相關，並示範可於代理人間安全評估更新。