深度分析

Zamba2‑VL：混合狀態空間與 Transformer 架構在視覺語言任務的效能突破

隨著多模態模型成為視覺語言介面的核心，Zamba2‑VL 以混合 Mamba2 與少量 Transformer 區塊構成，結合線性時間預填與固定大小狀態，於 1.2B、2.7B、7B 參數規模上，效能與 Molmo2、Qwen3‑VL 等同階模型相當，且在推論速度上快上數十倍。

深度分析

「SUPREME」：支援多 GPU 的機器去學習影像分類評估框架概述

機器去學習旨在不重新訓練模型即刪除特定訓練資料影響。研究推出 SUPREME 框架，支援多 GPU 分散訓練、去學習與評估，並以 Pins 臉部辨識資料集測試十種種子。結果顯示跨種子變異顯著，此框架採用 PyTorch Lightning Fabric，兼容 DDP、FSDP 與 DeepSpeed ZeRO，提升評估效率。

深度分析

WEINCE：結合 Weibull 極值理論校正 InfoNCE 的硬負樣本處理

InfoNCE 作為對比學習的核心目標，長期以 softmax 形式實作，隱含一種對最高相似度樣本的分布假設。研究指出，當嵌入向量正規化後，硬負樣本的相似度分布趨向有上限，與 Gumbel（softmax）假設不相容。

大佬動態

GitHub 揭示新 Agents 計畫：應對 Copilot 帶來的代理式編程挑戰

GitHub 在最新的 Agents 計畫中說明，隨著 Copilot 推動的代理式編程快速成長，平台正面臨資源與安全的雙重壓力。Kyle Daigle 透露，GitHub 將透過提升基礎設施、加強安全防護與提供更彈性的開發者工具，來支援日益增長的 AI 代理人需求，確保開發者生態的持續繁榮。

速報

StressDream：導向高衝擊且合理影像的擴散式影片世界模型

研究團隊提出 StressDream，透過優化擴散式影片世界模型的初始噪聲，使想像的未來影像朝向高衝擊但仍合理的結果發展。此方法結合視覺語言模型提供的語意梯度與合理性目標，避免噪聲偏離分佈。實驗以自駕與機械手臂的最先進影片模型驗證，證明可在推論時以文字指定失敗情境，協助更穩健的策略評估與改進，找出可能導致不良結果的動作。

深度分析

雙路注意力超網路實現零樣本互資訊估算：InfoAtlas 技術解析

統計依賴性是資料科學核心，InfoAtlas以預訓練雙路注意力超網路在單次前向即估算多變量互資訊，較傳統神經估計器快百倍且精度相當，已在合成基準與真實應用如獨立性測試、CLIP內嵌分析等驗證其效能。此外InfoAtlas透過切片互資訊處理高維資料，支援變動維度與樣本量，提供即時依賴分析的基礎。

深度分析

對抗式圖案對航空載具偵測的實體威脅：從 YOLOv3 數位優化到實地驗證

本研究針對航空載具偵測器，開發可列印的對抗式圖案，透過數位優化後實體部署，驗證不同配置的攻擊效能與環境魯棒性，結果顯示放置於車頂的圖案在實地最具破壞力。此外，加入天氣擾動的增強並未提升攻擊成功率，適度的總變差正則化才能兼顧列印可行與對抗效力。

深度分析

重正化群映射全連接深度神經網路訓練過程：理論與可解釋性分析

本研究探討全連接深度神經網路的可解釋性，將其訓練過程等同於統計物理的重正化群，針對指數族連續分布進行推導，證明最佳化後的特徵層參數即為RG固定點，此結果不僅驗證了先前在一維Ising模型上的等價性，也為未來將RG概念應用於更複雜的實際資料提供理論基礎。

深度分析

PLM‑NIDS：利用 RWKV 語言模型實現加密流量入侵偵測新突破

傳統DPI無法檢測TLS1.3與QUIC加密流量，研究以RWKV狀態空間模型將L3/L4封包元資料視為語言語法，透過無標籤預訓練與異常感測，達到0.93PR‑AUC的攻擊偵測，且能即時逐封包處理，對加密協議保持中立。此技術展示了預訓練模型在資安領域的潛力，並挑戰傳統簽名式入侵偵測的既定框架。

深度分析

StemBind：揭示多模態大型語言模型在抽象視覺推理中的規則綁定缺口

隨著多模態大型語言模型在抽象視覺推理上展現出「規則正確但答案錯」的現象，研究者推出StemBind診斷基準，透過同一視覺題幹的感知、規則與完整三題測試，發現超過半數模型在規則綁定步驟失敗，規模與思考模式亦未能改善。此結果顯示當前模型仍缺乏將抽象規則映射至具體選項的能力，呼籲未來研究聚焦於規則綁定機制與更精細的評估。

深度分析

CaB：利用 Boundary‑Phase Tokens 提升視覺語言動作代理的切換與控制

VLA代理在短指令序列切換時易出錯，研究提出Completion at the Boundary（CaB）模型，利用Before/Hit/After三階段標記形成雙向BPT後驗分布，同時提供when切換介面與how控制條件。Minecraft測試顯示CaB提升複合任務成功率與交接品質。

深度分析

C5 互動模型應用於生成式 AI 主動偵測與生命周期評估

隨著生成式人工智慧大量產出對抗性合成內容，傳統被動偵測已跟不上速度。研究提出以C5互動模型為基礎的生命周期主動偵測方法，涵蓋情境監控、協調行為偵測與異常偵測等技術。結果顯示此框架可在敘事萌芽階段提前介入，提升資訊生態的韌性。並評估多層圖協調偵測與代理式AI系統。