速報
SECUREVENT：結合 AI 與 CEP 的分散式事件系統安全監控架構
分散式事件系統在即時資料傳輸、物聯網與雲端微服務中扮演關鍵角色，但其鬆耦合與非同步傳遞也擴大了攻擊面。研究提出 SECUREVENT，結合驗證傳輸、主題授權、簽名事件等傳統防護與線上異常偵測、圖形行為特徵、複雜事件規則、聯邦學習與對抗式機器學習治理的混合式安全監控架構。
Latest
深度分析
跨實例注意力路由：MLA 在 H100 叢集上的低延遲效能分析
研究指出，當大型語言模型的KV快取跨GPU分割時，使用Multi‑headLatentAttention以路由查詢代替搬移快取，可在多節點H100叢集上減少超過70%的傳輸位元，且在小批次查詢下以十微秒等級的延遲取代毫秒級的快取重組。此結果為未來跨實例推論提供實務參考。
深度分析
TechGraphRAG：利用 GPT‑4o‑mini、FAISS 與 Neo4j 提升工程文獻推理的 RAG 系統
本研究針對智慧輪胎與車輛動態等領域的兩千餘篇技術文獻，開發了TechGraphRAG——一套結合代理式檢索、知識圖譜與外部學術資料庫的13步驟RAG框架。系統可自動分類查詢意圖、評分證據充足度、在內部與外部資源間迭代搜尋，並以圖譜關聯提升答案可信度。實驗顯示，此架構在文獻導航與技術推理上顯著提升了證據完整性與回應品質。此外，框架透過Neo4j圖譜的共引與作者關聯，提供跨論文結構化檢索，提升答案可追溯性。
深度分析
TN‑SHAP‑G：利用圖形結構張量網路高效計算 Shapley 值與高階互動指標
研究針對圖形資料的模型解釋提出TN‑SHAP‑G框架，利用圖結構對齊的張量網路壓縮指標表，僅需少量查詢即可確定Shapley值與高階互動指標，實驗顯示在分子基準上與精確值0.99以上相似，且查詢量比抽樣方法低十至百倍。此方法亦適用於其他圖形預測任務。
速報
新世代代理人作業系統（AOS）：為 AI 代理打造可控安全基礎架構
傳統作業系統以確定性程式設計為前提，無法完全支援長期目標導向、具機率推理與工具動態調用的 AI 代理。研究提出「代理人作業系統（Agent Operating System，AOS）」，將代理控制平面整合至現有作業系統，或逐步接管特定功能。AOS 的核心職責包括排程、上下文與記憶管理、工具與能力註冊、政策與信任執行、可觀測性與稽核。
深度分析
MAAD：結合檢索增強生成與階層記憶的多代理軟體架構設計框架
隨著軟體需求日益複雜，傳統架構設計耗時且依賴專家經驗。MAAD透過四個專職代理、檢索增強生成與階層記憶，自動將需求轉為完整多視圖架構，實驗顯示其完整度、模組化與可追蹤性均優於MetaGPT。同時，評估代理自動生成的品質報告大幅降低人工驗證工作量，證明此技術可加速企業架構迭代。
深度分析
階層式線上提示突變 (HOPM) 提升電商爭議證據文件生成效能
隨著電商平台爭議處理越來越依賴語言模型，自動生成證據文件的需求提升。研究提出階層式線上提示突變（HOPM）框架，結合提示族與版本路由、守護規則歸因與人工及自動評審雙回饋，動態調整提示。實驗在600筆案例上比較七種變體，完整雙回饋配置使勝率由34.7%提升至45.7%，品質評分亦顯著提升。
深度分析
UR‑JEPA：以均勻可矩形性正則化提升自監督視覺嵌入預測模型
研究背景：自監督的聯合嵌入預測模型易陷入表示崩解。核心技術：UR‑JEPA 以均勻 n‑可矩形性測度，透過高斯核平滑的 Carleson 方程與 Jones β 數字，取代 LeJEPA 的等向高斯正則化。結果顯示在 ImageNet‑10 上提升 0.83 個百分點，且種子變異降低約三成。
深度分析
CEAR：透過 VGA、DTS 與噪聲 logits 強化集合模型的可驗證安全性
對抗性擾動嚴重威脅深度神經網路安全，研究者提出 CEAR 結合可變高斯增強、溫度蒸餾與噪聲 logits 的集合防禦，透過兩種投票機制提升認證精度與半徑，實驗顯示在 MNIST、CIFAR‑10 與 TinyImageNet 上相較基線有更高的認證準確率與抗轉移性並縮減了對抗樣本的傳遞效應。
深度分析
高維線性回歸下的光譜視角：揭示知識蒸餾與弱強泛化機制
研究聚焦於高維線性回歸中的知識轉移，透過光譜分析揭示知識蒸餾的光譜視界擴展與弱強泛化的光譜去噪機制，證明轉移效能受隱式正則化與光譜學習速率交互支配，對未來AI模型壓縮與強化學習具重要啟示。此發現亦說明在大模型微調時，教師模型的光譜特性可作為設計新型蒸餾策略的指標。
深度分析
「ε‑FDE」功能聚合式神經網路壓縮：近似前向微分等價新方法降低60%參數
隨著深度模型規模持續擴大，壓縮成為關鍵挑戰。本研究提出以近似前向微分等價為基礎的神經網路聚合方法，透過單一容差參數ε將功能相似的神經元合併，實現高達六成以上的參數削減，同時保持預測精度。實驗在合成動力系統與四個公開回歸基準上驗證，效果優於傳統幅度剪枝與Wanda，顯示此差分等價聚合是可行的替代路徑。
速報
新型探索式 NLHF 演算法：以 Nash 均衡優化大型語言模型對齊
研究聚焦於大型語言模型的偏好對齊問題，指出傳統以單一獎勵最大化的方式難以處理循環或非傳遞性的人類偏好。作者提出一種結合 SFT 正則化與對抗式政策探索的顯式探索式 NLHF 演算法，保留迭代式直接政策優化的架構，同時在理論上達到 O(√T) 的遺憾界限，若使用最小最大值 oracle 可進一步降至 O(log T)。