大佬動態
Anthropic 擴大企業部署：年化 run‑rate 收入突破 $47 billion，背後代表什麼？
Anthropic近日在募資聲明中指出，年化營收本月已突破47billion美元。該公司以生成式人工智慧與企業端部署為主軸，透過擴大企業採用與合作推進商業化。這項成長代表企業對AI服務需求提升，可能影響企業採購與供應鏈決策，帶動供應商整合與價格談判重心轉移。
Latest
深度分析
MedAgentAudit 實證：基於 LLM 的醫療多代理協作失靈與量化稽核框架
MedAgentAudit 針對多代理大型語言模型在醫療任務中的協作過程進行大規模實證稽核。研究以 3,600 筆互動紀錄、六個醫療資料集與六套代表性多代理框架為基礎，結合質性標註與量化追蹤，提出一套協作失效分類法並量化常見崩解模式。
大佬動態
Simon Willison 報告：Anthropic 自報營收飆升，背後意義是什麼？
SimonWillison在社群提出Anthropic自報的跑率營收飆升事件。核心在於以大型語言模型為基礎的企業部署與訂閱式商業模式，推動企業採用與合約收入快速放大。主要結果是Anthropic在短時間內呈現前所未見的營收加速，成為業界與投資圈重要觀察指標。
速報
擴散模型：三種視角解構生成動力學
本書系統梳理擴散模型的核心數學與概念，追溯其起源並說明多種表述如何從共通的時間依賴速度場推導而來。作者把生成過程拆解為：前向把資料逐步汙染成噪聲、以及學習反向將噪聲還原回資料的過程，並從變分觀、分數場觀與流模型三方面互補說明。
深度分析
以 DRC（ConvLSTM）解構學習式搜尋：Sokoban 中的轉移模型與價值函數
本研究反向解構一個用於Sokoban的卷積遞歸神經網路，發現其在測試時計算量增益下，透過方向通道、長短期路徑與WTA競爭，形成類似雙向搜尋的計畫與轉移模型，並以通道幅度作為價值函數引導回溯與剪枝。研究也指出網路分別處理每個箱子，非統一狀態表徵。
深度分析
VS2 與 VS2++：利用稀疏特徵與檢索增強提升 CLIP 零樣本影像分類
在推論端控制視覺基礎模型具挑戰。VS2以top-k稀疏自編碼器抽取可解釋稀疏特徵，推論時放大這些特徵構成steering向量，無需微調或對比資料。VS2++用檢索到的鄰近影像建偽正負群組以選擇性增強差異性特徵。實驗顯示VS2系列可穩定提升零樣本分類準確度。
深度分析
點雲、影像與文字比較：ScanReQA 揭示 3D LLM 的空間推理限制
研究探討點雲是否提升3D大語言模型的空間推理能力。作者以文字、影像與點雲相互替換輸入，並提出ScanReQA基準評估二元空間關係與絕對座標理解。實驗顯示純文字或影像輸入仍能取得競爭成績，模型對點雲注意力偏低且在細緻關係推理上表現有限，指出3D LLM在利用點雲結構座標進行精細推理上存在瓶頸。
深度分析
Deepfake-Eval-2024：多模態真實世界基準揭示深偽檢測泛化缺口
生成式人工智慧讓深偽媒體在社群平台快速擴散，成為詐騙與錯誤資訊的實際威脅。本研究建立一個二零二四年蒐集的多模態真實世界基準，涵蓋影片、音訊與影像並跨越五十二種語言。評估結果顯示公開開源檢測模型在此基準上AUC值大幅下降，商業方案表現較佳但仍難超越人類鑑識能力。
深度分析
Stable‑SPAM：結合AdaClip與AdaGN提升4位元（FP4/INT4）訓練穩定性
隨著大型語言模型往低位元精度訓練移轉，4位元訓練顯示出較高的學習率敏感度與梯度不穩定性。Stable‑SPAM引入自適應尖峰裁剪、整體梯度範數正規化與動量重置，針對突發梯度和整體梯度放大做出調整。在實驗中，4位元模型以Stable‑SPAM訓練能優於BF16+Adam或在相同精度下達到更少訓練步數。
深度分析
MCTS‑Judge：以蒙地卡羅樹搜尋與測試時計算強化 LLM 的程式碼正確性評估
面對大型語言模型在程式碼判斷上的推理不穩與偏誤，研究提出MCTS-Judge，一套在測試時計算（test-time computation）加入蒙地卡羅樹搜尋（MCTS）的 System‑2 評判框架。
Sinc插值
將Sinc插值整合入Kolmogorov-Arnold網路（SincKAN）以提升PINN對邊界層與奇異性的表現
研究提出以Sinc插值改良Kolmogorov-Arnold網路，作為可學習激活函數的替代表示。作者主張Sinc法在處理奇異性、邊界層與半無限域問題上效果佳，能減輕PIKANs在頻譜偏差上的問題。實驗顯示SincKAN在多數測試中表現更好，提升了PINN求解難題的穩健性。
速報
TELLME讓LLM更透明：以隱藏表示提升可監測性與去毒成效
大型語言模型能力快速增強，但內部推理與決策仍難以監控。論文提出TELLME，一種利用模型隱藏表示（latent representation）來提升透明度與可監測性的技術，重點在於讓模型自身的內部表示更易被監測器辨識不當或敏感行為。研究指出，相較於外顯的思路鏈（chain-of-thoughts），直接分析隱藏表示能提供更真實的內視視角。