深度分析

多層感知與 Graph-of-Thoughts (GoT)：可解釋的全雙工會話行為推理框架

語音對話系統需要在同時聽與說時做出即時判斷，處理語音重疊與微停頓。本研究提出以多層感知模組先辨識高階語行為，再在低階互動動作上做因果式預測與標註。系統以每秒為單位輸出兩層語行為與可讀取的推理理由，並以動態思維圖譜(Graph-of-Thoughts)串連決策過程。實驗在模擬與真實雙向對話上驗證，顯示在層級行為辨識與可解釋推理上具穩定表現與遷移能力。

深度分析

JAEGER：用 Neural IV 結合 RGB‑D 與 FOA 實現端到端三維視聽定位與推理

視聽大模型多以二維影像與單聲道音訊為主，難以在三維場域定位與空間推理。JAEGER以彩色深度影像結合多通道全向音訊，並提出NeuralIV加強方向性線索；實驗顯示提升定位與視聽推理成效。資料集與模擬環境支援多源重疊與混響場景，驗證模型在複雜音場仍維持穩定表現。

深度分析

OmniCustom：以 LoRA 與對比式流學習實現同步音視訊聯合生成

背景：既有視訊客製多半僅保留影像身分，難以同步控制語音音色。技術：OmniCustom 在聯合音視訊生成模型中引入參考影像與參考音訊、獨立 LoRA 於 QKV 自注意力，並加入對比式流匹配來強化身分與音色保存。結果：實驗顯示在身分一致性與音色克隆上超越現有方法。

深度分析

FAC Synthesis：以Feature Activation Coverage與稀疏自編碼器提升LLM後訓練特徵覆蓋

面對後訓資料多樣性瓶頸,本文提出在LLM內部特徵空間衡量多樣性的Feature Activation Coverage(FAC),並以稀疏自編碼器辨識種子資料缺失特徵,再生成合成樣本以填補這些特徵;同時示範跨模型轉移性與潛在資安風險。實驗證明有效提升資料覆蓋與下游表現。

深度分析

使 SFT 成為良好 RL 初始化：PEAR 的分布校正與 token/區塊/序列重權策略

此研究指出，單純追求監督式微調（SFT）離線成績，未必能帶來線上強化學習（RL）階段的最終提升。

深度分析

ARISE：以大型語言模型與注意力加權強化分類資料的語意嵌入

分類型資料在醫療、行銷與生物資訊等領域常見，但因缺乏內生度量，聚類常被語意差距模糊化。ARISE提出以值為單位向大型語言模型查詢，生成結構化描述後經注意力加權編碼，並以自適應融合結合類別身份向量，形成語意增強的表示空間。

速報

資料驅動最適控制（DDOC）：為自動駕駛動作規劃建立可信路線圖

自動駕駛的動作規劃存在可驗證安全與泛化能力的兩難。資料驅動最適控制（DDOC）融合最適控制理論與機器學習的自適應能力，提出定制化、動態適應、自我調整三大面向的實作路線圖，並指出未來四個研究方向以縮短實務差距，推動可信且類人化的自動駕駛落地。

深度分析

E-valuator：以序列假設檢定與 e-value 為代理人驗證建立可控誤報率

面對代理人（agentic）系統在長序列動作中容易出錯的挑戰，研究提出 e-valuator：一個把任意黑箱驗證器輸出轉換為具統計保證決策規則的輕量化外套。方法以序列假設檢定與 e-value 工具，先收集少量校準軌跡、學習成功/失敗分數序列的密度比，接著以可控門檻在每一步監控，從而在不需改動原驗證器下控制誤報率並提升檢測力。

速報

KOTOX：針對韓語混淆有害語句的去混淆與去毒化資料集

針對語言模型在網路環境遭遇刻意文字混淆的挑戰，研究團隊提出KOTOX，一個韓語去混淆與去毒化資料集。研究以語言學為基礎，分類韓語的黏著型詞形變化與Hangeul特有的正字變體，並從真實範例萃取轉換規則，生成有害與中性句對及其混淆版本。

深度分析

LLM 計費漏洞與機制設計：從分詞誤報到按字元定價

面對以每代幣計費的雲端LLM服務，供應商可透過誤報分詞增加收益。研究提出揭露產生過程與按字元計費兩種對策，實驗顯示在透明化下仍存在可被利用的啟發式攻擊並能造成顯著加價，因而主張改為按字元線性定價以消除策略動機。並分析其對AI產業、開發者生態與商業模式的長期影響。

深度分析

NOVA 框架：形式化分析 AI 自我迭代式知識發現的收斂、失敗與成本

研究探討AI能否靠自我迭代發現新知。論文提出NOVA框架，把生成-驗證-累積-重訓視為知識空間的適應性抽樣，分析覆蓋條件與失敗模式，並推導在Zipf尾部假設下發現成本隨前沿推進呈多項式放緩。指出驗證不完美會引發汙染陷阱，且人類專家在探索邊界時具備放大量能的角色。

深度分析

Neural Rule Inducer（NRI）：以字面量統計與可微分執行實現零樣本規則歸納

在可解釋機器學習領域,研究提出一種基礎模型用以零樣本歸納邏輯規則。方法透過純統計性字面量編碼、平行槽位解碼與可微分T-範數執行,以合成布林公式預訓練。實驗顯示模型可於無重訓下對實務表格任務產生可解釋的DNF規則,展現符號推理基礎模型的可行性。研究也評估了雜訊與虛假相關性下的魯棒性。