深度分析
CB‑SLICE：以概念瓶頸模型量化與聚類錯誤切片
CB‑SLICE提出一種以概念瓶頸模型（Concept Bottleneck Models, CBMs）為基礎的錯誤切片發現方法，將模型的語義概念直接當作錯誤來源分析的核心。
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。
Confident Learning
Confident Learning vs Dataset Cartography：俄文文本分類中標註雜訊偵測比較
本研究探討標註錯誤如何影響語言模型訓練，對比Confident Learning與Dataset Cartography兩種自動標註錯誤偵測法，並在三個俄文語料集上實驗。結果指出方法效益強烈依賴語料規模與噪音程度，且有針對性的移除優於隨機刪除。
深度分析
連結 PCA、VAE 與擴散模型：生成式 AI 的數學脈絡解析
本書以一致的數學敘事串連生成式模型家族，從主成分分析切入，逐步導出機率潛變數、變分自編碼器、擴散與得分式方法，以及可逆流與對抗/能量式模型；作者比較可解似然技術與以距離或能量為核心的學習路徑，說明模型間的數學連結與工程取捨、並強化教學與研究基礎。
本體論
從提示到情境：CCAI 本體論在生成式人工智慧協作中的實作
生成式人工智慧在實務應用常以短促提示啟動，卻缺乏對協作情境的明確描述，導致信任與可追溯性受限。本文提出 Contextual Collaboration AI Ontology（CCAI），以任務、角色、資源與限制為共享詞彙，結合以 SPARQL 為基礎的情境檢索，將即時的提示—回應互動轉為結構化、可查詢的協作紀錄。
深度分析
利用決策估計係數(DEC)與低變異探索達成稀疏情境式 bandits 的近最優樣本複雜度
本文針對隨機i.i.d.情境式bandits與bandit多類別分類，研究在每個情境下回報向量具L1稀疏性的情形。作者提出兩套互補方法：一為基於決策估計係數(DEC)的探索優化框架，提供資訊論式的樣本複雜度上界；另一為低變異探索的具體演算法，具可實作的閉式更新並延伸至情境組合半bandits。
速報
Query2Effect：用大型語言模型預測因果效果的新基準
隨機對照試驗成本高昂，研究嘗試從既有實驗預測因果效果。Query2Effect 構建超過72000條自然語言查詢，並以兩步法先生成結構化表示再用監督編碼器預測效果。研究比較出廠即用的大型語言模型與微調模型，結果顯示微調能顯著降低誤差並提升領域外泛化能力。
速報
VLA-Pro：以程序記憶與LoRA提升視覺語言行動模型跨任務泛化
視覺語言行動模型仍難跨任務泛化。VLA-Pro在訓練時以任務專屬LoRA適配器當作程序記憶儲存，推論時根據多模態情境檢索並融合相關記憶以產生動作。實驗於RoboTwin、RLBench與實機測試顯著提升泛化，模擬相對改善達207%，實機成功率從5.8%升至65.0%。
TEMG-TTA
TEMG‑TTA：結合時序模體與測試期適配的區塊鏈交易圖異常檢測
近年區塊鏈交易模式快速變動，導致異常檢測面臨分布偏移問題。本文提出TEMG-TTA，結合時序三節點模體表示與測試期適應機制，共享訓練與測試間通用模式。方法透過高效模體配對降低計算複雜度並結合教師-學生正則化與可信節點選擇以減緩分布干擾。實驗顯示比先進方法平均提升54.88%。
深度分析
Knowledge-Boundary Fingerprinting (KBF)：以知識邊界數值回憶進行黑盒模型稽核
研究提出 Knowledge-Boundary Fingerprinting（KBF），利用模型在知識邊界對數值事實的穩定回憶作為指紋，對第三方中繼或轉售的黑盒 API 進行稽核。方法透過離線候選生成、跨設定穩定性篩選與線上統計檢定，能在部署變異、角色提示與檢索式封裝下維持穩定性。
SG‑SRL
SG‑SRL：以來源語單語料驅動的語義強化學習，提升低資源目標語生成品質
在低資源語言生成中，目標語平行資料稀缺，但來源語單語料豐富。
速報
生成式人工智慧引發自代表訴訟上升：聯邦民事文本與結果的變化
研究分析生成式人工智慧普及後美國聯邦民事訴訟，透過約280萬筆訴狀與文體指標偵測AI式草擬。結果顯示自代表原告比率自11.33%升至16.94%，且13.9%非格式訴狀出現AI一致性跡象，這類訴狀引用較多但更易被駁回或程序早期終結。並衍生司法可近性與法院過濾負擔的討論。
深度分析
MOOSE-Copilot：以 HAII 協議與樹狀可視化串接 LLM 的探索與精細化流程
MOOSE-Copilot提出一個結合探索式（divergent）與精細化（convergent）假說發掘的統一框架，並以形式化的人機互動（HAII）協議賦能研究者主導生成流程。系統透過三項明確訊號──初始藍圖、階段間路由與再生性回饋──讓使用者在自動化搜尋中選擇與引導路徑，同時提供網頁式樹狀視覺化介面，降低指令列工具門檻。