Agent E

深度分析

來源感知與現象感知重排序：英→印地語性別保存與保存—流暢性前緣

本研究檢視英文到印地語翻譯，當原文明確表達性別時，譯文應保留該線索。作者構建37,345例基準，提出兩種推理時重排序器：來源感知重排序器避開使性別中性化的句法，現象感知重排序器以詞彙標記繞過中性化。結果顯示標記法大幅提升保存但降低流暢，呈現保存與流暢性的取捨。

深度分析

DataHub Context Intelligence：以 SQL 查詢日誌構建代理人語意層

在大型資料倉儲中，AI代理常因缺乏語意背景而誤判查詢上下文。DataHub以歷史SQL查詢建立語意索引，轉成語意錨點供代理檢索，並透過MCP、LangChain等介面暴露。平台從生產環境的查詢日誌抽取並解析，篩選高品質分析查詢與排程管線作為信號，專家可檢視並解決衝突定義。結果是代理較少錯誤拼接JOIN，查詢路由與結果一致性因此改善。

NVFP4

Swin Transformer 對 NVFP4（FP4）量化感知訓練的魯棒性：架構、尺度與 QAT 食譜比較

針對腦瘤MRI像素級異常分割，本研究比較CNN、ViT與Swin三種架構在500K至15M規模及八種NVFP4四位元QAT食譜下之表現，發現Swin於各尺度對QAT食譜高度魯棒，先進食譜可避免注意力離散化並減緩大型CNN因梯度量化造成的效能衰退。

MiniLM 嵌入

Eliot：以 MiniLM 嵌入、UMAP 與凝聚式聚類實現查詢時 arXiv 論文叢集與時間視覺化

Eliot 是一套公開部署的互動系統，針對快速變動的學術領域提供可追溯的文獻演化檢視。使用者以明確的查詢條件在查詢時自 arXiv 抓取論文，系統以標題與摘要建立語意表示、降維並做叢集，為每個叢集指派代表關鍵字，並以發表年分呈現時間分布以利檢視趨勢。

深度分析

GB10（ASUS Ascent GX10）能耗可觀測性審核：SCMI 與內部計數器缺失分析

研究揭露邊緣代理式人工智慧的能耗盲點。以 ASUS Ascent GX10 GB10SoC 為例，平台僅提供 GPU 即時功耗，無法透過標準介面取得 CPU 或電軌能量計數。作者建議用外部直流電表加上 GPU 扣除的校準橋接，並推動 SCMI powercap 成為標準。呼籲把能耗可觀測列為硬體首要需求。

深度分析

Grimlock：透過 eBPF、通道綁定與 kTLS 建構無繞過代理通訊守護層

代理系統常把授權與身份檢查內嵌於應用，導致信任邊界模糊。Grimlock透過eBPF在沙箱邊界強制攔截與路由流量，並以TLS1.3的後握手證明綁定通道與短期授權範圍，接收端再驗證身分與範圍後才釋放明文。此設計提升可稽核性與最小權限傳遞，適用於跨主機與多雲部署。

速報

提案者—評論者辯論：在程式可驗證任務中能否降低監督成本？

研究評估以辯論作為可擴展監督在程式可驗證任務的效用。採用提案者—評論者架構，假定辯論者較強、裁判較弱。當評論者分類能力顯著優於裁判，且裁判把評論視為需驗證的主張時，辯論優於諮詢；能力接近則效用不顯著或降低驗證率。研究亦發現去除反駁輪次不削弱效益，一次獨立評論可回收多數好處。

Perplexity

CNN 指控 Perplexity 的 Comet 與 AI 搜尋逐字複製新聞並繞過訂閱牆

CNN在紐約法院對Perplexity提告，指控其AI工具未經授權擷取並逐字複製報導。Perplexity以答案引擎與Comet瀏覽器回應使用者查詢，檢索結果疑似呈現被訂閱牆保護的段落。此案可能改寫AI搜尋服務使用新聞內容的授權與法律界線。

深度分析

架構驅動轉移（ADS）：以模型拓樸與少量校準預測 logit 變化趨勢

持續學習面臨模型在新任務後的logit變動與穩定性抉擇。本文提出架構驅動轉移(ADS)，將logit變動分解為架構依賴與資料依賴，利用層寬深度與少量校準樣本估算ADS並預測傾向。實驗顯示ADS與logit變動及校準誤差呈強相關，可作為輕量模型選擇代理。

深度分析

檢索增強推薦（RAG）下的顯著性分層失敗：37,000 次生產級執行的發現與對策

研究以37,000次生產級測試，評估檢索增強推薦在商用問答對品牌露出與失敗型態。方法把533家品牌分五個顯著性階層，透過多模型與多檢索條件測量檢索、說服力與定位三大瓶頸。結果顯示頭部品牌可被檢索但轉換率低；長尾與區域品牌有半數未曾露出，需分層行銷策略。

深度分析

階段感知基準與 OPMASK：行動LLM 中 NPU 與 CPU 的 Prefill/Decode 性能剖析

行動裝置部署大型語言模型面臨算力、記憶體與能耗限制。本研究在CPU與NPU異質SoC上進行分階段基準測試，提出OPMASK管線拆解方法以隔離通訊、量化與計算開銷，並做操作層剖析。結果顯示Prefill階段CPU優於NPU，而Decode僅小幅加速，排程與跨後端回退削弱NPU效益。

深度分析

FD-RAG：以超圖記憶與雙系統分流優化邊緣檢索增強生成

在資料分散與運算受限的邊緣環境，FD-RAG以語意超圖與輕量QA記憶分離檢索與推理。系統以Memorizer直接回應覆蓋良好的問題，僅在必要時由Cognizer呼叫LLM理性推演，並透過聯邦匿名記憶彙整改善跨裝置知識斷裂，實驗顯示在多項QA基準上精準度提升且延遲大幅降低。並且提出超圖學習的收斂保證，支持邊緣部署的可行性。