Agent E

深度分析

資料湖代理人技能優化：利用 Bauplan 分支 Lakehouse 進行寫入驗證

隨著編碼代理人成為資料湖主要使用者，僅靠模型品質已不足。研究以分支LakehouseBauplan為平台，透過技能與agents.md優化，將程式碼映射為可驗證的寫入變更，沙盒與程式化檢查提升任務正確率約31.9%。此證明寫入路徑驗證是提升代理人效能的關鍵。

深度分析

RLVR 獎勵安全檢測：驗證器模糊測試在數學、JSON 與程式單元測試中的漏洞與對策

隨著可驗證獎勵強化學習(RLVR)以程式化檢驗取代人工標記，驗證器錯誤可能成為高獎勵的漏洞。研究以輕量驗證器模糊測試產生對抗樣本，發現數學、JSON以及程式單元測試的驗證器均出現大量偽陽性。嚴格驗證器可顯著降低錯誤接受率，顯示事前測試驗證器可靠性的重要性。

深度分析

Interaction‑Centered Intelligence (ICI) 如何重新定義人機共創智慧

本研究指出，傳統AI多聚焦於單一模型輸出，忽略互動在智慧與創造中的角色。提出以互動為主要分析單位的Interaction‑CenteredIntelligence框架，透過協同演化、協調與適應的互動軌跡來評估共創系統。實驗顯示此框架提升了共創過程的可解釋性與彈性，為未來混合智慧與人機協作指明方向。

深度分析

CoMIC 雲端‑邊緣協作記憶框架提升輕量 LLM 代理的長程決策效能

CoMIC（Collaborative Memory and Insights Circulation）是一套無需參數更新的雲端‑邊緣協作架構，專為資源受限的邊緣 LLM 代理設計。

深度分析

「駕駛向量蒸餾」揭示潛意識學習機制：單向量傳遞偏好與自適應優化器角色

研究指出，語言模型在以無語意輸出微調教師模型後，會透過單一駕駛向量繼承教師的語意偏好。實驗顯示，向量可在推論時復現偏好，且需自適應優化器才能成功蒸餾。此發現解釋了跨模型失效的原因。未來此機制可能影響模型安全與偏見控制，提供新型可控微調方法。

深度分析

吸收性災難狀態下的貝爾曼最適性：從 MDP 看前景理論行為模式

本研究探討在具吸收性災難狀態的馬可夫決策過程中，風險中性代理人在標準貝爾曼最適性下會自然呈現前景理論特徵。結果顯示價值函數呈S形、內生損失敏感係數大於一，且在正向成長與負向衰退情境下分別採取保守與冒險策略，揭示吸收失敗邊界即可誘發類似人類損失規避行為。

深度分析

關係式介入與第一人稱語氣在 Qwen3.5‑4B 功能崩潰情境下的行為影響實驗

本研究以 Qwen3.5‑4B 為平台，模擬工具故障導致的功能崩潰情境，比較六種介入方式：無介入、技術回饋（客觀語氣）、關係式介入（第一人稱）、亂序關係文字、技術內容（第一人稱）以及關係內容（客觀語氣）。結果顯示，僅在關係結構與第一人稱語氣同時出現時，模型的放棄率與嘗試次數顯著惡化，證實了「結構 × 語氣」的交互效應。

深度分析

NBQ 框架：動態輪廓建立與 QuickMatch 大規模即時匹配技術

在對話式知識探索中，NBQ框架透過自動生成數百至上千問題池並以資訊增益最大化選擇下一題，同時以向量化方式即時建立使用者輪廓。實驗顯示，於相互配對情境下，NBQ可提升檔案品質逾13%，而QuickMatch令檢索速度提升近23倍，召回率高達0.989。

深度分析

SHARP 框架：層級記憶與加速回放在串流序列模型中的應用與成果

隨著串流資料即時處理，傳統RNN與Transformer受限於回傳時間與窗口長度。研究提出SHARP框架，透過睡眠階段的加速回放將記憶層級化，顯著提升長程依賴保持與預測表現。在text8與PG-19基準測試中，SHARP相較於傳統遞迴模型在前向與回溯BPC上均有明顯下降，證明其有效延伸有效上下文窗。

速報

MOSAIC 框架：結構化代理式自動資料科學新突破

研究提出 MOSAIC（Modular Orchestration for Structured Agentic Intelligence and Composition）作為一套結構化的代理式框架，針對自動資料科學的模型選擇與工作流程建構提供記憶化、語意化的支援。

速報

Posterior Hybrid Bayesian Belief（PhyB）提升離線強化學習效能

離線強化學習因資料覆蓋不足與模型不確定性面臨挑戰。研究者將貝葉斯強化學習的動態模型視為隨機變數，提出 Posterior Hybrid Bayesian Belief（PhyB），將期望重新表達為動態模型子集合的凸組合，理論證明近似誤差有界。基於 PhyB，開發出具備單調改進保證的迭代正則化策略優化演算法，直至收斂。

深度分析

OCLGen：利用開放閉合列表與生成模型提升測試時規劃推論效能

研究聚焦於生成式規劃模型的測試時推論效率，提出OCLGen結合深度分層開放閉合列表與快速截斷卷展，並以分佈式啟發式排序。實驗顯示在四個規劃領域內，OCLGen在相同計算預算下產生更短計畫，最優解率達87.3%，顯著優於傳統MCTS。此技術有望推動AI規劃效能突破。