深度分析
Croissant Tasks：以 JSON-LD 宣告式元資料落實機器學習評測的可重現性
機器學習在基準評測上長期面臨可重現性困境。Croissant Tasks採宣告式、機器可執行的元資料格式，將任務與解法分離並描述輸入、輸出、評估與執行細節；實驗顯示可由語言模型自動抽取規格並由代理人生成可運行的重現管線，提升概念性可重現性影響。
Latest
深度分析
EvoXXLTraffic：納入逐年感測器演化的超長時序交通資料集與評測框架
城市交通預測長期受限於固定感測網路。EvoXXLTraffic將XXLTraffic重組為逐年演化的感測器集合、年度流量矩陣與圖結構快照，並提出以年為單位的串流預測協議。基準測試發現多數現行頂尖模型在演化資料上表現退化，且冷啟動感測器成為主要瓶頸。
深度分析
BitTP：以權重-only 1.58 位元量化壓縮 Seq2Seq 軌跡預測以利邊緣部署
BitTP 提出一套針對序列到序列（Seq2Seq）語言型軌跡預測器的輕量化框架，透過自訂 BitLinear 模組把 nn.Linear 權重量化到極低位元（最佳為 1.58-bit），同時保留激活值為全精度。
深度分析
用PTCG-Bench評估LLM代理人：不完全資訊、長期規劃與模組化介面
在寶可夢集換式卡牌遊戲場景下，PTCG‑Bench以完整對局評估LLM代理的策略、長期經驗累積與介面影響。該基準結合不完全資訊推理、長期規劃與文字數值混合推理。實驗顯示代理可達顯著遊戲表現，但自我演化未能穩定提升，且受介面設計左右。值得進一步研究
深度分析
Agentic ASR：以多回合語意校正與 S2ER 強化互動式語音辨識
隨著語音成為大型語言模型與助理的主要輸入介面，傳統單次轉錄的 ASR 容易在含命名實體、口音或混語場景中產生難以修復的語意錯誤。該研究把互動式語音辨識（Interactive ASR）定義為一個有狀態的多回合精修任務，提出 Agentic ASR：結合單次 ASR 前端與基於大型模型的語意校正、意圖路由與推理式編輯，構成閉環修正流程。
深度分析
PiSAR 基準：受監督微調（LoRA）使 Qwen3‑VL‑8B 在螢幕導向行為理據任務超越 Claude Opus 與 GPT‑5.5
本報導改寫自一篇針對 PiSAR 屏幕條件化行為理據資料集的實驗報告。作者在 661 行留置測試上，對比前沿零樣本基線（Claude Opus、GPT-5.5）與受監督微調（managed LoRA）後的小型視覺語言基底（Qwen3‑VL‑8B‑Instruct）。
深度分析
將字典學習與稀疏自編碼器擴展到 Claude 3 Sonnet：大尺度可解釋特徵的訓練與驗證
研究團隊將稀疏自編碼器（Sparse Autoencoders, SAE）擴展到生產級語言模型 Claude 3 Sonnet，嘗試從中分解出可解釋的「特徵向量」。作者以字典學習為基礎，訓練出上千萬級的特徵維度，並用自動化與人工檢驗方法檢視特徵的專一性與對模型行為的因果影響。
速報
DeFi 自主投資代理透視：ElizaOS 與 Virtuals Protocol 架構速覽
研究調查逾1,900個標註人工智慧的加密專案，聚焦投資型自主代理並挑選10個代表案，深入分析ElizaOS與Virtuals Protocol兩套框架，並量化11個Solana金庫的鏈上表現，涵蓋925,323名代幣持有者。
深度分析
以帶外元資料通道實作代理人治理：Redpanda 的 ADP 架構解析
企業期待AI代理人能自主存取與決策，但模型會幻覺且有高通量介面，讓在代理人可見的安全元資料不可靠。Redpanda提出帶外元資料通道，將政策與審計置於代理人外，由基礎設施強制執行並跨系統傳播，示範在多代理理財系統能實現分域存取與不可竄改審計。
深度分析
D-BOS：以可微信念驅動的對手塑形於隱藏角色博弈
研究聚焦隱藏角色博弈中，如何透過改變他人信念來提升長期回報。核心做法是把觀察者的後驗分布視為被塑形的狀態，沿可微 softmax‑Bayes 動態反向傳播 k 步，並以價值函數評估後驗終點的任務價值。實驗顯示此信念空間塑形在混合動機環境比 PPO 與 BBM 更具效益。
深度分析
Interpretive Audit Pipeline：解析LLM在公開評論中的模型分歧與影響
研究探討政府公開評論如何被大型語言模型重構，進而影響決策。文章提出InterpretiveAuditPipeline，透過多模型比對將分歧視為診斷訊號，引導人類審查具解釋性複雜的留言。實驗顯示模型間主題組織存在實質差異，僅靠立場正確率不足以保證代表性。
深度分析
縱向追蹤 LLM 使用行為：Bing Copilot 與 WildChat-4.8M 的代表性與族群偏差分析
研究以約一萬二千名Bing Copilot用戶與WildChat‑4.8M資料做縱向分析，採分層抽樣並衡量使用強度、語句複雜度、任務完成率與使用意圖。發現個人行為高度黏著但族群層面會朝高活躍用戶特徵偏移，且WildChat樣本偏向高能用戶，代表性有限。