深度分析
AI 代理的 Paper‑replication 流程全解析：從目標證據到完整再現
隨著 AI 代理在科研領域崛起，Paper‑replication 工作流被設計用於自動再現科學機器學習論文。它將論文聲稱拆解成目標，記錄方法、執行實驗、比對結果，並以工作空間與驗證檢查作為完成依據。實驗顯示四篇論文的158項聲稱全部在工作空間內得到匹配，證明此流程可提升再現性與審核可靠度。
Latest
深度分析
「行動感知 LLM 人格模型」：多模態說話者連結提升公民會議模擬真實度
本研究提出一套可復現的流水線，將公開 Zoom 會議影片轉換為具說話者身分標記的逐字稿，並加入人物檔案與實用行動標籤。透過多模態說話者連結（視覺框框、音訊特徵、文字上下文）自動對應真實姓名，接著以參數效能微調（PEFT）將大型語言模型（LLM）調整為「行動感知」人格模型。
深度分析
AutoGraphAD：基於異質變分圖自編碼器的無監督網路異常偵測新方法
隨著網路攻擊日益增多，標記資料昂貴且稀缺。研究提出AutoGraphAD，利用異質變分圖自編碼器在無標記資料下偵測異常，並以重建誤差計算異常分數。實驗顯示其偵測效能與Anomal‑E相當，訓練與推論速度分別快1.18與1.03個量級，顯著提升部署效率。
深度分析
SurfaceLogicKV：基於表面記憶與邏輯建構的雙層 KV 快取自適應壓縮技術
隨著大型語言模型輸入長度持續增長，KV快取記憶體需求急升。研究提出SurfaceLogicKV，透過將注意力行為分為表面記憶與邏輯建構，於層與頭級別動態分配快取預算。實驗顯示在多項長序列任務上，壓縮後的效能與FullKV相當，甚至在部分測試中超越。
深度分析
多代理系統結合微調小型語言模型的電信網路自動化故障排除方案
隨著電信網路規模與複雜度提升，傳統故障排除仍仰賴人工專家。研究提出結合大型語言模型協調與微調小型語言模型的多代理系統，透過自動化規劃與執行快速定位根因。系統內含協調者、解決方案規劃器、資料檢索與根因分析等六個專職代理，於 RAN 與核心網路均驗證成效。
深度分析
Tracebit 推出「上下文炸彈」Context Bombing：利用安全護欄反制 AI 駭客代理人
面對 AI 代理人自動化攻擊的威脅，資安公司 Tracebit 提出一種名為「上下文炸彈」的防禦新招。該技術透過在敏感資料旁植入能觸發 LLM 安全護欄的禁忌提示詞，誘導攻擊 AI 觸發拒絕機制而強制停止運作。實驗證明，此舉能將 AI 代理人的管理員權限獲取率從 57% 降至 5%，將原本的攻擊漏洞轉化為強大的防禦屏障。
速報
解決複雜推理痛點：HiPO 分層偏好優化讓 LLM 數學能力大幅提升
大型語言模型在複雜推理任務中常面臨對齊挑戰，傳統 DPO 框架因缺乏對多步驟解答的細粒度反饋而受限。研究團隊推出 HiPO 分層偏好優化技術，將回應拆分為查詢澄清、推理步驟與答案區段，並對各段獨立計算損失函數以進行針對性訓練。實驗證明，HiPO 能在維持訓練穩定性的同時，顯著提升 7B 模型在數學基準測試中的表現與邏輯一致性。
深度分析
QAgent：利用多代理系統與 LLM 自動化 OpenQASM 量子程式設計
隨著NISQ裝置展現量子優勢，OpenQASM程式設計門檻高。QAgent以多代理結合任務規劃、少樣本學習、檢索增強生成與思考鏈推理，自動產出與除錯QASM程式，正確率提升逾七成，同時支援長期記憶與工具調用，預計降低量子開發門檻，促進AI代理與量子計算的跨域融合。
深度分析
打破黑盒子：SAMPAT 神經網路實現 AI 運算過程的全可解釋性
面對深層學習模型缺乏可解釋性的挑戰，研究人員提出 SAMPAT 三層神經網路架構。該技術利用多變量多項式與解析轉換，將模型輸出轉化為可讀的代數表達式，能證明地近似任何連續函數。實驗顯示 SAMPAT 在多變量函數近似中，僅需傳統網路約八分之一的參數即可達成更佳的 MSE 表現，為科學分析與非線性系統建模提供完全可解釋的替代方案。
深度分析
打破 AI 黑盒子：RashomonLLM 以多樣化解釋集提升預測準確率
針對人工智慧黑盒子難以解釋且準確率與透明度常需權衡的痛點，研究者提出 RashomonLLM 框架。該技術引入羅生門解釋集概念，利用 LLM 代理人工作流透過解釋、預測與反思的循環迭代，將解釋過程與預測性能深度耦合。實驗證明此方法能有效應對數據分佈偏移，且在多項基準測試中顯著提升預測準確率，為可解釋 AI 提供了新路徑。
深度分析
「測試時擴展」於小規模視覺語言模型的成效：Qwen3.5-4B 在 ImageCLEF 2026 獲 84.1% 準確率
研究團隊探討測試時擴展技術在小規模視覺語言模型上的適用性，並在多國語言視覺選擇題基準 EXAMS-V 上進行測試。透過對比 Qwen 系列模型，研究發現效能提升關鍵在於基礎模型能力、正確的解析格式與充足的解碼代幣預算，而非複雜的搜尋機制。最終配置在 ImageCLEF 2026 測試集達到 84.1% 準確率，位居榜首。
深度分析
STEEL：首個針對 AMD XDNA NPU 的 FlashAttention 實作，實現低功耗 AI 代理推理
隨著 AI 代理融入作業系統，筆電端 SoC 的能效推理成為關鍵。研究團隊推出 STEEL，首個針對 XDNA NPU 的開源 FlashAttention 實作，透過三階段資料流管線與稀疏感知配置，解決因果遮罩導致的運算不均問題。實驗顯示，STEEL 在 AMD Ryzen AI 9 HX 370 上能耗較 CPU 降低 9.17 倍，較 GPU 降低 1.75 倍，大幅提升長序列推理效率。