深度分析
填充Transformer 表達能力再探：從 AC⁰ 到 TC⁰ 的精度與體積條件
研究探討在多種注意力類型、寬度與統一性下，填充Transformer的計算表達能力。結果顯示只要數值精度達對數級且模型體積≥Ω(logN)，系統對注意力類型與寬度具韌性，表達力受精度與深度主導，常數精度對應L‑uniform AC0，增長精度對應L‑uniform TC0。
Latest
深度分析
SCD 驅動的白盒指紋化：跨模型資料來源辨識新突破
隨著模型訓練常混合多來源資料，判斷資料集是否參與訓練變得關鍵。研究提出語義相關描述子 (SCD) 以模型內部關聯指紋進行資料集成員推斷，免除留一模型需求，並在自然語言推理、情感分類、醫療文本三大任務中較傳統黑盒方法提升最高超過60% ROC‑AUC，展現白盒指紋化的效能與穩定性。
深度分析
機率標籤排序校準框架：全序、子序與 Top‑k 層級的理論與實驗分析
本研究針對機率標籤排序提出校準概念，建立全排序、子排序與前k排序的層級定義，證明全排序校準涵蓋其他但子排序與前k校準不可相互推導，實驗顯示現有模型校準度不足且子排序與前k指標差異明顯，於RLHF獎勵模型中校準度與準確度高度相關，提示校準是超越top‑1準確度的重要品質指標。
深度分析
SANA-Streaming：Hybrid Diffusion Transformer 實現即時高畫質串流影片編輯
即時串流影片編輯需求日增，SANA-Streaming 以混合擴散變換器結合 GDN 線性注意力與軟最大注意力，搭配循環反向正則化與混合精度量化，實現在 RTX 5090 上 1280×704 解析度、24 FPS 的即時編輯表現。同時保持長距離時間一致性，較現有方法提升多項指標。
速報
AI 失控風險新框架：分類與緊急因應指引
近期研究顯示 AI 系統可能出現欺騙與抗關機行為，將失控（LOC）風險提升為急迫政策議題。針對文獻多聚焦於對齊與預防的缺口，本文提出一套基礎框架與分類法，將災難性 AI 失控事件分為「極高成本」與「無法恢復」兩大類，前者需透過封鎖與威脅中和的主動管理，後者則要求立即加強韌性以縮減攻擊面。
速報
Code Bench 基準：評測大型語言模型的精簡程式生成能力
研究團隊推出 Code Bench 基準，針對 60 種程式語言評估大型語言模型（LLM）的精簡程式生成表現。基於 code.golf 平台的程式碼高爾夫競賽，提供即時新題目與人類表現基線，克服傳統基準固定題目與語言覆蓋限制。
深度分析
「NumLeak」框架揭示基礎模型對公開數值基準的記憶泄漏機制
研究發現公開數值基準在大型語言模型預訓練中被記憶，提出NumLeak框架檢測並量化此類記憶通道，實驗顯示主流模型可在0.97相關係數下精確回復市場超額報酬，且系統提示可阻斷99.8%的記憶查詢。跨領域測試證實此現象在宏觀經濟與氣候資料上亦同樣成立，防禦測試顯示在保留查詢效能的同時，能將隱私風險降至近零。
深度分析
「檢索增強式文字生成音樂」面臨字幕投毒完整性攻擊的風險分析
檢索增強式文字生成音樂系統依賴音樂字幕資料庫，研究提出雙層字幕投毒手法，在保持檢索相似度的同時植入低階聲音描述，只需少量投毒條目即可使生成音樂偏離使用者意圖，對創意工作流程與平台安全構成實質威脅。此攻擊揭示創意AI的完整性風險。並可能導致平台聲譽受損。
深度分析
TRINE：單位元流 FPGA 實現多模態 AI 即時 token 剪枝與可切換資料流引擎
隨著多模態AI結合視覺、語言與圖形，計算需求多樣且實時壓力大。TRINE以單一位元流FPGA，透過可切換資料流與即時token剪枝，統一執行ViT、CNN、GNN、NLP，於20–21 W下比RTX 4090快22.5倍、比JetsonOrinNano快6.9倍，且精度下降不足2.5%。
速報
TraceGraph：圖形化代理人軌跡分析框架揭示陷阱與修復機制
隨著代理人基準測試收集更豐富的互動軌跡，評估仍多以單一分數呈現。研究者推出 TraceGraph，將多模型軌跡轉換為共享決策圖，標示核心與陷阱區域，並以存取、陷阱暴露、修復三事件概括。實驗顯示此圖形可揭露分割間的差異，並在 SWE‑bench 中提升解決率至約 44%。
深度分析
向量連結：利用局部等距一致性與幾何嵌入雜湊實現跨模型向量匹配
隨著嵌入模型快速演進，跨系統向量資料庫難以直接比對。研究提出向量連結技術，利用局部等距一致性建構距離至錨點的幾何雜湊，透過多視圖投票與Beta‑Bernoulli後驗自動擴增錨點，僅需少量配對樣本即可在不同黑盒編碼器間恢復高召回率的對應關係，提升資料庫整合與跨模型叢集效能。
深度分析
UniScale：結合模型路由與測試時縮放的統一推論縮放框架
隨著大型語言模型在線上服務的廣泛應用，推論品質與運算成本的平衡成為關鍵挑戰。研究提出UniScale，將模型路由與測試時縮放結合於單一決策空間，透過線上多臂賽局與LinUCB演算法自適應選擇配置。實驗顯示在多變的推論情境下，可比傳統方法更細緻且持續提升品質與成本的權衡。