速報
大型語言模型助攻：人工智慧輔助寫作讓學術團隊更年輕、更小型化
一項以147074篇PLoS與Nature系列論文為基礎的研究指出，人工智慧輔助寫作，特別是大型語言模型的應用，正在改變學術寫作與研究團隊組成。研究採用多種迴歸分析、Poisson與傾向分數配對等方法檢驗相關性，發現使用AI輔寫的團隊傾向年輕且規模較小，但並未因此降低科研影響力；
Latest
深度分析
多代理 StoryMI：結合情境故事與互動管理以提升 LLM 的動機性面談（MI）策略遵循
研究聚焦動機性面談(MI)自動生成的情境化與策略控制問題;StoryMI以問卷建立個案並擴展為情境故事,由治療師、個案與互動管理三類代理協同生成帶MI行為代碼的對話,互動代理動態選擇宏觀策略。實驗在一千組問卷與六千場模擬對話及六款LLM上驗證,顯示情境落地與宏觀控制能提升MI遵循度與臨床合理性。
SwarmHarness
SwarmHarness 去中心化算力蜂群：DHT Registry、SwarmRouter 與基於 Shapley 的 SwarmCredit
大量閒置GPU與算力無安全誘因共享.SwarmHarness提出以DHT註冊、效用函數路由任務及基於Shapley值近似的SwarmCredit激勵,免去區塊鏈開銷。系統讓節點自組蜂群,以信用與信任分數引導資源分配,改善算力利用與回報對等。
深度分析
圖靈跳躍與可計算性層級：能力內化、訓練與收斂修正的數理界定
研究檢視遞迴自我改進論述的計算邊界，採用相對於Oracle的層級模型，區分有限內部修正、收斂式修正與能力內化。結果指出：有限層內重複更新無法解釋邁向更強相對層級的質變，收斂修正對應圖靈跳躍，而跨層內化需透過訓練或再部署。對AI理論與自我改進論述具約束力。
深度分析
提示式TTS的細粒度風格控制：向量插值與 KV-cache 交換技術
背景：提示式文字轉語音方便以自然語言控制風格，但缺乏連續與句內變化能力。方法：在文字嵌入空間插值風格向量以達跨句連續控制，並以KV-cache交換與滑動視窗注意力遮罩解除句內自我參照以實現句內轉換。影響：實驗顯示性別轉換近百%、音高與語速可觀變化且維持高相似度。
深度分析
OpenURMA 與 Unified Bus（UB）：以片上控制器重塑 RDMA 的低延遲路徑
現代資料中心的RDMA瓶頸出在網卡與PCIe往返。Unified Bus把控制器移上片上匯流總線，分離應用與傳輸狀態並開放載入/儲存路徑直達遠端記憶體。OpenURMA為首個clean‑room公開實作，64B遠端讀取實測約500ns，較RoCEv2降低約4.37倍。
深度分析
DREAM‑R：以 SAPO、CPN 與 FPSR 實現多模態推理的並行加速框架
大型多模態模型推理成本高昂。DREAM‑R以強化學習驅動的SAPO訓練草稿模型、結合對比機率正規化(CPN)與全並行FPSR驗證機制，有效抑制錯誤傳播並在保留準確度下加速推理。實驗在四個基準上達到最高2.48×加速且維持目標模型準確度。對多模態推理擴展實務有顯著意義。
速報
TASTE：從工具序列演化合成任務，打破基準測試飽和
代理人能力提升導致既有基準飽和且新題昂貴。TASTE以工具序列反向合成任務，結合自適應對比n-gram與大型語言模型驗證，經群聚挑選與難度迭代生成高覆蓋基準。11組模型測試顯示舊基準接近飽和的模型在新任務上表現顯著下滑，工具組合數量亦超過翻倍。
速報
人工智慧評估在低資源環境的盲點：從模型到部署的重新衡量
不少人工智慧評估只在實驗室測試，難以反映低資源環境的真實表現。本研究主張把「部署系統」而非單一模型作為評估單位，並整合雜訊輸入、語碼混用、斷線、低端硬體與領域轉移等部署條件。提出共享報告框架，強調可比較且具部署敏感性的報告格式。並建議提供簡潔一頁基準卡與部署檔案以利決策。
速報
GONDOR：受限記憶下的記憶節省貪婪優先搜尋
在記憶受限的啟發式搜尋場景，研究提出GONDOR，一種基於貪婪優先搜尋的記憶節省延伸。它週期性壓縮搜尋樹並保留稀疏錨點，再於達到目標時透過錨點間重搜尋還原路徑。此外實驗顯示在低記憶預算下能提升覆蓋率，並提供含布隆過濾器的實作以促進後續研究。
深度分析
CyberJurors 與 VerdictBench：多智能體鏈式推理的電商多模態判決框架
電商平台採用群眾陪審處理大量交易爭議，但多回合、多模態且依平台慣例的證據結構，挑戰現有模型的判決能力。研究提出VerdictBench——一個包含6,000件真實案例、並附17人陪審團判決結果的多模態資料集，並以CyberJurors框架回應此需求。
深度分析
以 PE 最小化為準則的 Global PSRO：結合參數共享與條件式策略的全域擴充方法
大型兩人零和博弈策略空間龐大，現有PSRO方法多以受限博弈回報作為擴充依據，但此類擴張往往偏向局部最優，對完整博弈近似改善有限。作者提出以族群可被利用性(PE)衡量族群質量，採探索—選擇雙階段框架先生成多個候選回應，再估算每一擴充後的PE以做篩選，並同時加入針對選定族群的最佳回應以加強擴充效果。