深度分析
DVM-HALL 與 NHAS：AI 代理人如何重新定義品牌忠誠與機器顧客
隨著 AI 從推薦系統演進為能自主執行購買的代理人，傳統消費忠誠度模型已失效。研究提出 DVM-HALL 模型，透過整合人類情感、機器效用與可驗證執行力來定義品牌選擇，並引入 NHAS 指標量化人機對齊程度。該框架將 DeFi 執行風險納入考量，為企業在面對自主 AI 代理人接管消費決策的「機器顧客」時代提供關鍵的商業對策與治理路徑。
Latest
深度分析
LLM 驗證級聯的相關性影響：從指數衰減到多項式上限與盲點天花板
LLM 級聯驗證旨在透過多次檢查提升答案可靠度，但現有理論常假設每次驗證獨立。本研究指出驗證器與生成器常有共同盲點，導致可靠度提升由指數級轉為多項式衰減，且存在無法逾越的正確率天花板。研究證明單純增加驗證門檻效果有限，開發者應透過異質化模型或外部工具來降低相關性，才能有效提升 AI 系統的最終精準度。
深度分析
Kaleido：利用潛在空間相關性優化，將影片生成 Transformer 速度提升 5.9 倍
面對影片擴散 Transformer 因計算量龐大而導致的生成延遲，研究團隊推出 Kaleido 協同設計方案。該技術利用潛在空間中通道維度的時空相關性，開發通道重用演算法以跳過冗餘運算，並搭配可重構處理元件與數據分發器來優化硬體利用率。實驗證明 Kaleido 可將速度提升 5.9 倍並降低能耗，且維持高水準的影片生成品質。
深度分析
從代理人基模型到社會數位分身：AI 驅動的社會模擬器
社會模擬旨在透過計算方法研究個體間的互動與集體行為。研究從傳統的代理人基模型出發，定義代理人的屬性、狀態與規則，並在網路結構中模擬個體互動。隨後演進至由大語言模型驅動的生成式代理人，進而發展出能鏡像現實世界社會系統的社會數位分身。此演進路徑將社會科學的理論實驗轉化為可量化、可預測的數據驅動框架，大幅提升了對複雜社會動態的分析能力。
深度分析
端到端文件解析新標竿：OvisOCR2 以 0.8B 參數與策略蒸餾在 OmniDocBench v1.6 獲 96.58 高分
文件解析長期依賴多階段管線方案，但容易產生錯誤累積。OvisOCR2 推出端到端架構，利用結合真實與合成數據的引擎，搭配 SFT 與強化學習及策略蒸餾技術，將文件影像直接轉換為 Markdown。該模型在 OmniDocBench v1.6 取得 96.58 分的頂尖成績，證明輕量級端到端模型能超越複雜的管線方案，提升解析準確度。
深度分析
AJPO 框架結合 ALLM 與 DPO 提升 Text-to-Audio 指令遵循能力
現有文字轉音訊模型雖音質優異，但常無法精準遵循多事件與時間順序指令。本研究提出 AJPO 框架，利用音訊感知大語言模型作為評判員，針對聲音事件完整度與時間順序提供細粒度回饋，並透過直接偏好最佳化提升模型表現。實驗結果顯示，該方法能有效改善生成音訊的事件完整性與時間正確性，並推出 S3Bench 基準測試以強化評估。
深度分析
結構性 OOD 攻擊：跨世紀語域與意識流敘事在 AI 文本偵測中的韌性分析
在AI文本偵測競賽中，研究者提出跨世紀語域與現代主義意識流兩種結構性OOD攻擊，能在對抗微調偵測器下仍保持高偽裝率，實驗顯示傳統增添歷史文本的防禦無效，揭示偵測模型在分布外移動時的持續脆弱。研究比較了四大生成模型以及五種策略，並在ELOQUENT2026Voight‑Kampff排行榜奪得前五名。
速報
以互動式世界模型驅動的具身 AI 新方向：從神經迴路到自主學習
近期生成式與具身人工智慧的突破，多仰賴大規模多模態預測學習，但仍以被動訓練為主，語言規則作為資訊骨架。神經科學與認知科學則指出，生物智慧的語意結構是由與環境互動形成的具體世界模型支撐，語言才附著其上。
深度分析
深偽偵測新趨勢：BitMind Forensics 以開放激勵機制實現即時自適應
隨著深偽技術快速演進，偵測模型面臨性能衰退問題。研究提出BitMindForensics，利用開放式激勵機制讓生成者與偵測者同步競賽，持續刷新訓練資料。實驗顯示其在多項公開基準上達到0.9以上AUC，並在時間序列測試中隨快照更新提升偵測力，預示未來偵測服務將更依賴動態資料流與經濟驅動的自適應流程。
速報
注意力頭重新加權 (AHR)：以單一標量高效適應大型語言模型
在標記資料稀缺的安全等領域，如何讓大型語言模型在少量樣本下仍具備學習能力是關鍵挑戰。研究提出「注意力頭重新加權 (Attention Head Reweighting, AHR)」方法，只為每個注意力頭學習一個標量，藉此大幅降低需調整的參數量，僅佔模型參數的約 0.0001%。
深度分析
角色條件分配與 SnapKV：提升 LLM 長上下文 KV 快取效能的技術解析
本研究聚焦長上下文大型語言模型的 KV 快取淘汰，指出 H2O 在結構密集的 JSON、XML 等資料中過度保留分隔符與鍵，導致訊號噪聲比惡化。提出基於 SnapKV 的角色條件分配過濾，抑制 KEY 角色提升答案 Token 的保留率，在 5% 預算下恢復超過 60% 的性能缺口，且在較高預算時可匹配或超越完整快取的準確度。
深度分析
「ScanFocus」以粗到細機制提升時空視訊定位（STVG）邊界精度
時空視訊定位在處理長影片時常因低採樣率而遺失高頻邊界資訊，導致定位不準。ScanFocus 提出一套從粗到細的框架，將任務分為全域掃描與局部聚焦，利用語義導引時間聚合器在邊界周圍進行密集採樣，以恢復被抑制的細節並精確回歸時間戳記。該方法在多個主流基準測試中展現出優於現有 SOTA 模型的偵測精度。