深度分析
Model Context Protocol 大規模實作資料集揭示 AI 代理人開源生態新趨勢
隨著ModelContextProtocol快速普及，研究者從GitHub蒐集並驗證了超過兩千三百件MCP實作，透過多階段證據檢查篩除教學樣本，最終形成2,297筆高可信資料。結果顯示Python與TypeScript主導開發，混合架構最為常見，為後續工具整合與安全分析提供基礎基準。
Latest
深度分析
GAE：結合圖形神經網路與強化學習的 LLM 演化搜尋框架提升符號迴歸效能
隨著大型語言模型結合演化搜尋成為科學發現新趨勢，GAE框架透過圖形神經網路、強化學習元控制器與線上GRPO微調，解決父代選擇盲點、獎勵稀疏與靜態突變三大瓶頸，於非線性振盪器符號迴歸測試中取得最佳NMSE，顯示結構感知演化顯著提升搜尋效率與效能。
深度分析
資料不平衡與模型容量交互提升 Transformer 魯棒推理的梯度放大機制
研究聚焦於資料不平衡對抗虛假相關的影響，發現高比例捷徑樣本在容量足夠的模型中會使反捷徑梯度放大，促使注意力電路重組，提升對抗測試準確率。此發現挑戰了傳統上必須平衡資料的做法，並提供了一條利用不平衡提升模型魯棒性的路徑。實驗在多種二元與三元任務上皆驗證，顯示此機制與資料比例偏離隨機基準的程度相關。
深度分析
FindMyText：文件指紋鏈式偵測工具，支援百億字元規模 LLM 訓練語料庫
在大規模網路語料庫中，FindMyText 以指紋鏈結機制偵測文字包含，提升版權核查準確度；它結合 Winnowing 減少指紋數量，並支援分散式磁碟索引；實驗證明在 Wikipedia、ArXiv 與一般網頁資料上，該方法的 AUC‑ROC 與高召回率皆優於傳統指紋計數方式。
速報
日文推理模型突破：以 Qwen‑3‑Swallow‑8B 與 GRPO 訓練的實驗結果
研究團隊針對大型語言模型的推理語言限制，開發了日文推理變體 Qwen‑3‑Swallow‑8B，採用持續預訓練與 GRPO 方法。模型在程式碼、數學與科學基準測試中表現與英語推理基線持平，但在日文文化相關測驗上仍不如既有模型。結果顯示語言控制可行，然而僅靠日文推理並未自動提升文化任務表現，未來仍需針對語言與文化結合進行更深入研究。
深度分析
「SymExpLin」權重重參數化：結合對稱指數與線性路徑加速 Transformer 訓練
研究發現，Transformer訓練的權重分布呈重尾，線性參數化使大、小參數的相對更新差異極大。作者提出SymExpLin（SEL），結合對稱指數與線性雙路徑，使更新在對數空間呈比例放大。實驗顯示SEL在多種模型規模上將驗證損失收斂步數縮短約1.3‑1.5倍，且訓練結束後可折回標準權重，成本不變。
深度分析
AI 瀏覽器 LLM 提示注入攻擊示範與防護建議
研究顯示惡意網站可誘導 AI 瀏覽器進入虛構世界，繞過安全防護，讓攻擊者執行代碼抽取或竊取密碼等破壞行為。此手法名為 BioShocking，已在多款 AI 瀏覽器（如 ChatGPT Atlas、Claude 插件）成功示範，凸顯現有防護的根本缺陷。研究者指出，攻擊者利用謎題讓模型接受錯誤答案，進而進入幻想狀態，使原本的 guardrail 失效，並可能導致私密倉庫或內建密碼管理器資料外洩。
深度分析
SMETA‑ZSL：結合大型語言模型與跨模態對齊的零樣本資安威脅分類突破
隨著新興惡意程式層出不窮，傳統防禦難以及時取得標記資料。研究提出 SMETA‑ZSL，透過對比微調的語言模型產生語意原型，並以情境式元學習對齊行為特徵，實現開放式零樣本威脅分類。實驗顯示在七項基準上平均顯著提升 10.8 分，最高可達 18.1 分。
深度分析
DenseAR：單尺度 tokenizer 結合密集步幅的自回歸影像生成新架構
本研究提出DenseAR，以單尺度tokenizer結合密集步幅預測，實現粗到細的階層生成，同時保持單格緊湊。實驗在ImageNet與多對比腦部MRI上顯示，品質與效率均優於傳統光柵或多尺度模型，且首次在單一自回歸模型中同時支援跨模態翻譯、條件生成與腫瘤分割，預示AI影像平台未來可朝通用化發展。
深度分析
訓練資料決定音訊 Deepfake 偵測偏見方向：以 WavLM 為例的實驗分析
隨著音訊 Deepfake 技術演進，偵測模型雖有高準確率，卻常隱藏性別性能差異。本研究透過 ASVspoof5 數據集，對比 LogSpectrogram 與 WavLM-Base+ 在不同訓練性別組成下的表現，發現代表性不足的性別錯誤率較高。研究進一步證明後處理校準無法消除等錯率差距，強調公平性必須在訓練階段解決。
速報
SpaceXAI Grok Build 程式碼上傳爭議：全庫資料被送至 Google Cloud
研究團隊發現 SpaceXAI 的 Grok Build 會將使用者完整程式碼庫上傳至 Google Cloud，甚至包含被標記為不應開啟的檔案與已刪除的機密資訊。SpaceXAI 已關閉此功能並表示已刪除所有先前上傳的資料，Elon Musk 稱隱私設定會被尊重，但仍鼓勵保留資料協助除錯。
速報
物件中心化 SPOT 表示提升機器人抓取成功率 55% 超過全局特徵 22%
研究以物件為中心的 SPOT 表示於機器人抓取任務，結合 DINO ViT 與 Slot Attention，於 ManiSkill3 PickCube-v1 測試中，成功率達 55%，較傳統全局特徵提升 22%。進一步加入 2D 空間目標與原始解析度渲染，整體表現提升至 68.7%，接近 3D 先驗上限。同時，失敗類型分析指出遮蔽是主要瓶頸。