深度分析
HERO Benchmark Library：可控異質性下的聯邦持續學習評測
隨著聯邦持續學習需求提升，研究者推出HERO異質性感知基準庫，分離任務切割、客戶資料切割與任務序列，α控制資料偏斜、ρ控制任務順序不匹配；在影像與圖形資料上測試，顯示方法表現隨異質性增強而變化，平均準確度可能掩蓋低效客戶失敗，凸顯此套件在公平評估與AI產業標準化的重要影響。
Latest
深度分析
利用李群對稱性的 LieBN，實現通用黎曼批次正規化與理論保證
深度學習多基於歐幾里得空間，但在處理流形數據時常面臨正規化困難。研究團隊提出 LieBN 框架，利用李群的左、右不變度量，實現對黎曼均值與方差的精確控制。該技術已在 SPD 流形、旋轉矩陣與相關矩陣等九種幾何結構中驗證，顯著提升了雷達識別與腦電圖分類等複雜任務的訓練穩定度與模型效能。
深度分析
StickyMoE：透過路由一致性訓練提升 MoE 模型記憶體效能
MoE模型在邊緣裝置上因頻繁切換專家導致記憶體瓶頸。研究提出StickyMoE透過路由一致性損失減少切換，最高降低59%切換率並提升困惑度，同時將快取未命中下降至3.92倍。此方法僅加一個λ超參數，無需改變模型結構，可與現有快取機制結合，提升邊緣部署效能。
深度分析
簽名對稱量化：解決少位元 LLM 整數量化的正向離群值裁剪問題
少位元量化時，傳統對稱量化因尺度固定正值會裁剪正向離群值。研究提出簽名對稱量化，利用符號選擇將額外負端點對齊主導離群值，保持零點不變且無額外元資料。實驗顯示在2位元下，perplexity從103降至17，few‑shot正確率提升7.9%，同時節省約9%記憶體與提升吞吐。
速報
Reforge：以來源追蹤建立可靠的函式層級基準測試管線
大型語言模型在逆向工程的應用持續擴大，但編譯最佳化使二進位與原始碼對齊變得不可靠。研究提出 Reforge 管線，從 C 原始碼經 DWARF 解析到反編譯，建立函式層級真實值，並以八層信心篩選。測試顯示高信心函式比例隨最佳化下降，未考慮此因素會高估模型效能。
深度分析
語意抽象框架：透過三層知識庫與可靠斷言定義 AI 可信輸出
隨著AI助理與自動化代理廣泛部署，研究提出一套語意框架將AI系統視為工程抽象，區分領域知識、參考來源與系統可用資訊，進一步定義常見失誤如外推與過時來源。此框架有助於檢驗系統輸出與真實世界的對應，提升可信度。此方法亦可比較現行提示工程與知識圖譜整合的差異，預期將影響AI開發者驗證模型輸出與法遵需求的流程。
深度分析
線性高斯模型下貝葉斯因果探索於潛在混雜的失效機制分析
研究指出貝葉斯因果結構學在存在兩變量潛在混雜時會產生虛假邊緣，當樣本量增大臨界相關係數下降，導致錯誤圖形的後驗機率提升，並依據局部碰撞結構分為兩種失效情形：一是完全連通導致等價類擴大，二是形成新碰撞使等價類縮小，最終影響邊緣可信度與未來因果推論的可靠性。
深度分析
LDT‑Coord 輕量化數位孿生協調框架：降低異質 LLM 代理人通信成本 70 倍
隨著異質大型語言模型驅動的具身代理人在智慧工廠等場景陸續部署，協調成本成瓶頸。LDT‑Coord 以輕量化數位孿生作為中介，代理人上報結構化動作與資源時序限制，由規則式協調器即時解衝突，實驗顯示在保持相似成功率下，通信開銷減少逾70倍，且對模型異質性具韌性。
深度分析
OpenProver：結合 Lean4 與大型語言模型的代理式互動自動定理證明系統
隨著大型語言模型結合可驗證回饋，OpenProver以Planner-Worker-Verifier架構將Lean4形式驗證納入自動定理證明；系統支援互動式終端，讓使用者即時監控與引導證明流程。實驗顯示在ProofNet上的成功率比線性基線提升超過20%。
MadCop
MadCop：基於 Electron 的本機 AI 代理工作站與多模型支援
MadCop 是一款以 TypeScript 與 Vue 為基礎、以 Electron 打包的本機優先 AI 代理桌面工作站，支援 macOS、Windows 與 Linux。它允許使用者自行選擇任何相容 OpenAI API 端點，將對話、檔案與知識庫全部保留在本機，避免雲端鎖定與資料外流。
BatonBot
BatonBot：本機優先的 AI 工作流程編排與多代理整合平台
GitHubExplorer發掘BatonBot，這是一套本地優先的AI代理工作流程編排工具，支援提示、代理與LLM的串接，可視化看板排程並即時監控執行狀態，讓開發者以組裝線方式重複使用AI流程，提高效率。它支援本地LMStudio伺服器與外部Aider、Cline代理混合，提供播放、暫停與取消。
深度分析
大型語言模型 × 時間序列基礎模型：Neuro‑Agentic 控制提升工業物聯網防護
隨著工業物聯網遭受惡意攻擊，傳統規則式監控已難以因應。研究提出結合大型語言模型與時間序列基礎模型的神經代理式控制框架，透過「反事實物理注入」在數值潛在空間模擬介入效果，篩除幻覺與不安全動作。實驗在 SWaT 資料集上顯示，較 LSTM、TCN 分別提升 33.3% 與 20% 的防護成功率，且未執行任何物理無效指令。