速報
READER：以推理驅動的 AI 文本檢測器登場
面對大型語言模型與人類創作愈加難以區分的挑戰，研究團隊提出 READER，一款強化推理的 AI 文本檢測器。READER 透過一套名為 READ 的監督理由集進行微調，使模型在判斷前先生成結構化理由，再輸出人類或 AI 的判定結果。此設計同時將可解釋性納入決策流程，讓檢測結果不只給出標籤，也能說明依據。
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。
速報
潛在 Q-Barrier 盾牌：為安全 in-context 強化學習加上行動層安全濾網
研究指出，僅靠預訓練的in-context強化學習在部署分佈外時，回報與安全常難兼顧。提出潛在Q-Barrier盾牌：部署前學情境表示、潛在動態與成本評估器；部署時無參數更新，依歷史與剩餘預算過濾或軟性重權動作。五項基準實驗顯示，盾牌能改善部署期的回報與安全權衡。
深度分析
CVE-2026-48710（BadHost）：Starlette Host 驗證缺失對 FastAPI 與 MCP 的授權繞過風險
資安研究者揭露Starlette框架存在一項關鍵漏洞，可使攻擊者藉由修改HTTPHost欄位注入路徑，讓框架錯誤重建請求URL並繞過基於路徑的授權，導致SSRF或遠端程式執行；受影響系統涵蓋FastAPI生態、MCP伺服器與多個AI代理，存在敏感資料與憑證外洩風險。
深度分析
表示移植（representation transplant）：以推理—演繹糾纏處理領域泛化
領域泛化（Domain Generalization）常因來源與目標資料分布不同而失效。
深度分析
ReWA：結合重參數化、權重衰減與座標自適應學習率的稀疏優化方法
本研究回應稀疏優化的穩定性難題，提出ReWA：以重參數化、權重衰減與座標自適應學習率改寫優化步驟。ReWA於數學上連結ℓp正則化（0<p<1），但在參數空間創造較平滑且有界梯度景觀，減少接近零時的震盪；實驗於CIFAR-10與ImageNet顯示在不顯著降準確度下，改善模型稀疏性。
深度分析
uDTW：將不確定性納入動態時間規整以強化序列與視覺 token 對齊
對齊結構化資料是電腦視覺與機器學習的核心問題，但傳統方法依賴確定性相似度，易受異質性與噪聲影響。本文改寫自 ArXiv 提案，提出不確定度導向的對齊框架 uDTW（uncertainty-DTW）：以每對對應關係建立常態分布，並透過最大概似目標整合精度加權匹配項與對數變異數正則化，抑制不可靠特徵並避免退化解。
深度分析
Non-Gradient Inference Flows（NGIF）：以弱形式連續性方程與規格自由度推斷非梯度群體動力學
研究背景：只觀察時間邊際分佈、無軌跡資料時，梯度勢場會導致難學的震盪解。本文以連續性方程弱形式並利用規格自由度，提出非梯度推斷流(NGIF)來參數化一般向量場，並用旋度或散度正則化選擇場結構。實驗顯示非梯度方法在分佈擬合與流場規則性上優於梯度限制基線。
深度分析
多項式截斷敏感性與KV快取：窗長與誤差的冪律量化
本文把自回歸語言模型的鍵值（KV）快取壓縮，形式化為以下一步查詢作為解碼端側資訊的逐序Wyner–Ziv來源編碼問題。作者在多個公開模型與語料上測量到：模型對上下文截斷的敏感性並非指數衰減，而呈現多項式（power-law）衰減；
速報
Intent Signal Theory：揭露 AI 提示背後的隱性意圖層
研究提出 Intent Signal Theory（IST），把用戶的潛在來源意圖視為 AI 互動中缺失的一層。IST 將四個常被混淆的對象明確分為潛在意圖 I*、可觀察意圖代理 Ĩ、載體 P 與模型輸出 O，並形式化維度權重、編碼遮罩與結構／忠實度回收分數。
Constitutional AI
教宗與Anthropic對話：Constitutional AI、模型可解釋性與人工智慧治理挑戰
教宗在梵蒂岡發表首份聚焦人工智慧的通諭，並邀請Anthropic代表出席說明，形成教會與矽谷前所未見的對話。Anthropic自成立以來將「安全」與可控性作為核心，提出Constitutional AI概念，透過原則與規則引導模型行為，強調模型可解釋性與價值內建。
Soft Actor-Critic (SAC)
提升 Soft Actor-Critic（SAC）於大規模並行模擬下的腿型機器人訓練效能
在大規模並行模擬背景下，研究比較了PPO與SAC的差距，指出SAC在初期探索、截斷回報處理與獎勵傳播上存在三大問題；透過策略初始化校正、截斷敏感的評論目標與多步回傳估計等修正，實驗在多款腿型機器人任務上顯示SAC可彌補與PPO的性能差距並在部分任務超越。
深度分析
SEP-Attack：以DPP驅動的子模型多樣性提升文本對抗攻擊可轉移性
現代語言模型在網路服務中廣泛應用卻仍易受對抗攻擊。SEP-Attack以DPP取樣產生多樣化替代模型權重，再用加權信心估算字詞重要性以生成候選替換，最後以轉移性得分篩選有效對抗樣本。實驗於四資料集及兩雲端API展現優於既有方法的攻擊能力與效率。