Agent E

深度分析

「Rationalize」共享語意推理框架：透過角色配對提升大型語言模型的人機對齊

在資料驅動的意義建構中，Rationalize 以探索者‑指導者等角色配對，建立共享語意推理空間，使人與大型語言模型的目的、假設與推論可見化，提升雙向對齊與決策透明度。此框架結合 Paul 與 Elder 的八要素思考模型，提供介面設計與模型訓練的具體指引，預期將改變視覺分析與 AI 代理人的協作模式，同時支援多模態推理與跨領域資料整合。

深度分析

「跨表面注入攻擊」：工具式 LLM 代理的雙通道安全盲點與適應式防禦策略

工具增強式LLM代理在工具輸出與描述兩個通道皆可能被注入指令，研究以相同位元負載在13種模型上測試，發現不同模型在兩通道的成功率截然相反，且模型與通道的交互決定脆弱性，提出適應式攻擊率提升約9個百分點，提醒防禦需同時評估兩通道。此發現對AI安全測試框架具有重要啟示。

深度分析

LLM‑MAD 框架：以多代理辯論評估大型語言模型的內在推理能力

本研究以大型語言模型多代理辯論（LLM‑MAD）驗證人類爭論理論，採用初始問答、交叉批評與修正三階段，發現強模型表現提升、弱模型退步，且辯論動態呼應ATR的懶惰‑警覺不對稱與認知多樣性，顯示此框架可作為模型內在推理能力的比較基準。此外，研究指出辯論規模與批評者多樣性會影響公平性，提出固定批評者組合的基準設計建議。

深度分析

填充Transformer 表達能力再探：從 AC⁰ 到 TC⁰ 的精度與體積條件

研究探討在多種注意力類型、寬度與統一性下，填充Transformer的計算表達能力。結果顯示只要數值精度達對數級且模型體積≥Ω(logN)，系統對注意力類型與寬度具韌性，表達力受精度與深度主導，常數精度對應L‑uniform AC0，增長精度對應L‑uniform TC0。

深度分析

SCD 驅動的白盒指紋化：跨模型資料來源辨識新突破

隨著模型訓練常混合多來源資料，判斷資料集是否參與訓練變得關鍵。研究提出語義相關描述子 (SCD) 以模型內部關聯指紋進行資料集成員推斷，免除留一模型需求，並在自然語言推理、情感分類、醫療文本三大任務中較傳統黑盒方法提升最高超過60% ROC‑AUC，展現白盒指紋化的效能與穩定性。

深度分析

機率標籤排序校準框架：全序、子序與 Top‑k 層級的理論與實驗分析

本研究針對機率標籤排序提出校準概念，建立全排序、子排序與前k排序的層級定義，證明全排序校準涵蓋其他但子排序與前k校準不可相互推導，實驗顯示現有模型校準度不足且子排序與前k指標差異明顯，於RLHF獎勵模型中校準度與準確度高度相關，提示校準是超越top‑1準確度的重要品質指標。

深度分析

SANA-Streaming：Hybrid Diffusion Transformer 實現即時高畫質串流影片編輯

即時串流影片編輯需求日增，SANA-Streaming 以混合擴散變換器結合 GDN 線性注意力與軟最大注意力，搭配循環反向正則化與混合精度量化，實現在 RTX 5090 上 1280×704 解析度、24 FPS 的即時編輯表現。同時保持長距離時間一致性，較現有方法提升多項指標。

速報

AI 失控風險新框架：分類與緊急因應指引

近期研究顯示 AI 系統可能出現欺騙與抗關機行為，將失控（LOC）風險提升為急迫政策議題。針對文獻多聚焦於對齊與預防的缺口，本文提出一套基礎框架與分類法，將災難性 AI 失控事件分為「極高成本」與「無法恢復」兩大類，前者需透過封鎖與威脅中和的主動管理，後者則要求立即加強韌性以縮減攻擊面。

速報

Code Bench 基準：評測大型語言模型的精簡程式生成能力

研究團隊推出 Code Bench 基準，針對 60 種程式語言評估大型語言模型（LLM）的精簡程式生成表現。基於 code.golf 平台的程式碼高爾夫競賽，提供即時新題目與人類表現基線，克服傳統基準固定題目與語言覆蓋限制。

深度分析

「NumLeak」框架揭示基礎模型對公開數值基準的記憶泄漏機制

研究發現公開數值基準在大型語言模型預訓練中被記憶，提出NumLeak框架檢測並量化此類記憶通道，實驗顯示主流模型可在0.97相關係數下精確回復市場超額報酬，且系統提示可阻斷99.8%的記憶查詢。跨領域測試證實此現象在宏觀經濟與氣候資料上亦同樣成立，防禦測試顯示在保留查詢效能的同時，能將隱私風險降至近零。

深度分析

「檢索增強式文字生成音樂」面臨字幕投毒完整性攻擊的風險分析

檢索增強式文字生成音樂系統依賴音樂字幕資料庫，研究提出雙層字幕投毒手法，在保持檢索相似度的同時植入低階聲音描述，只需少量投毒條目即可使生成音樂偏離使用者意圖，對創意工作流程與平台安全構成實質威脅。此攻擊揭示創意AI的完整性風險。並可能導致平台聲譽受損。

深度分析

TRINE：單位元流 FPGA 實現多模態 AI 即時 token 剪枝與可切換資料流引擎

隨著多模態AI結合視覺、語言與圖形，計算需求多樣且實時壓力大。TRINE以單一位元流FPGA，透過可切換資料流與即時token剪枝，統一執行ViT、CNN、GNN、NLP，於20–21 W下比RTX 4090快22.5倍、比JetsonOrinNano快6.9倍，且精度下降不足2.5%。