深度分析
Dueling Q‑Learning 理論收斂與價值‑優勢分解的切換線性系統分析
Q-learning 為強化學習基礎演算法，Dueling Q-learning 透過將 Q 函式分解為價值與優勢提升效率。本研究以正交分解與切換線性系統理論，證明未正則化表格版 Dueling Q-learning 在恆定步長下可收斂，深化對價值‑優勢動態的理解，對未來深度強化學習設計具指引意義。
Latest
深度分析
Best‑of‑N TTS 推理之跨家族 ASR 評估偏差與 Rank Ensemble 效能分析
本研究探討Best‑of‑N TTS推理中，驗證器的評分會因所使用的自動語音識別（ASR）家族而大相逕庭。透過在LibriSpeech‑PC測試集上比較Whisper、wav2vec2.0與HuBERT等三大族系，提出跨家族排名集成與雙評估者三角測量，以降低WER並避免偏差。實驗顯示跨族集成可將平均WER降至1.61%，相較基線減少12%。
深度分析
T2I‑I2I 混合資料合成與 VRAIN：提升 LVIS 長尾實例分割效能
長尾實例分割受限於資料稀缺，研究提出結合 T2I 生成與情境感知 I2I 編輯的混合框架，透過教師‑學生過濾與 VRAIN 指令式稀有類別插入，提高標籤可信度與影像真實感。實驗在 LVIS 上整體 AP 提升 4 點，稀有類別更增 9.5 點，顯示此方法在提升模型表現與擴展性方面具備顯著潛力。
深度分析
GitHub 驅動的對齊代理人 Aleena：降低科研軟體認知債務的 AI 解決方案
研究軟體協作常因決策斷層失聯，Aleena 以 GitHub 為中心，將會議、聊天與 PR 轉為結構化紀錄，標示風險、未決問題與所有權變化，保留決策緣由，支援持續對齊而不取代人類判斷，預期能降低認知債務並推動 AI 同儕在科研軟體開發的長期角色，以及提升跨領域溝通效率。
深度分析
「CodeTracer」：基於行為指紋的 LLM 程式碼自動完成後門鑑識框架
研究指出大型語言模型的程式碼自動完成易受後門攻擊，作者提出CodeTracer框架透過行為指紋與語意比對，在僅有錯誤完成事件與微調語料的條件下，成功追溯至惡意樣本，實驗顯示其準確率遠高於既有方法，此技術有望提升開發者對模型供應鏈的可視性，並促使業界加強資料清查與防護機制。
深度分析
Constitutional Meta‑STPA：LLM 安全分析工具的自我驗證新方法
本研究針對LLM輔助安全分析工具缺乏自我檢驗的盲點，提出ConstitutionalMeta‑STPA以系統理論方法為工具本身生成治理憲章，結合多模型語意投票與可重現性清單，實驗顯示安全分數提升近80%，並揭示模型能力而非條文限制是關鍵，預示未來AI安全工具需內建自我治理機制。
速報
內部表徵探測提升大型語言模型預測校準與可信度
研究針對大型語言模型的預測校準與推理可信度進行探討。透過在中間層激活上訓練表徵池化探測器，顯著提升模型校準度，且能偵測出鏈式思考與實際證據不符的情況。實驗顯示，預測在推理前已基本確定，使用此方法可減少產生代幣量 30%~47% 且不影響準確性。
速報
PLURAL：首個跨國價值導向大語言模型偏好資料集
大型語言模型在全球廣泛使用，但過度反映西方價值，限制了其對多元文化的代表性。研究團隊基於 Integrated Values Survey（涵蓋 92 個國家）打造 PLURAL，透過兩階段生成流程，將調查回應轉換成約 50 萬筆合成偏好三元組，保留原始價值訊號且呈現真實情境。
深度分析
全雙工語音代理人評分實驗：Gemini 2.5 Flash 與人工評分的秩相關度分析
本研究探討Gemini2.5Flash大型語言模型能否在全雙工客服語音代理人中取代人工評分，使用209場雙聲道對話與57段擾動音檔，結果顯示在五項指標上與三位人工評審的相關性相當，兩項略低，唯一一項幾乎無相關。部署時建議對音訊清晰度低於4分的通話交由人工審核，以免排序偏差。
深度分析
輕量化 MiniLM 多叢集邊界學習提升 OOS 意圖偵測準確率
隨著對話系統需即時辨識未知指令，研究提出以MiniLM嵌入的多叢集邊界學習，將OOS偵測轉為單類分類，實驗在CLINC150、StackOverflow與Banking77上達到最新最佳準確率，展示輕量模型在資源受限環境的可行性，此方法亦降低部署成本，提升回應速度。
速報
AI 編碼代理人如何改寫 Pull Request 及其對程式碼審查的衝擊
研究發現 AI 編碼代理人產出的 Pull Request 在 GitHub 上被審查較少、合併更快、討論也較少；但不同分析方式會使趨勢相反，顯示表面變化不等於原因。研究者從大量技術部落格與 Reddit 討論中抽樣，建構因果模型，指出程式碼審查是 AI 影響軟體的關鍵控制點，最終效果仍由團隊專業與審查流程決定。
速報
多模態模型「忘記」技術調查：跨視覺、語言與音訊的安全刪除
隨著視覺語言模型（VLM）、對話模型（DM）、大型語言模型（LLM）與音訊生成模型（AFM）在各領域的廣泛應用，這些多模態基礎模型往往會不自覺地保留訓練資料中的敏感、受版權保護、偏見或不安全的跨模態關聯。因知識分布於共享表徵，刪除請求或政策更新後的重新訓練成本高昂，且精準遺忘困難。