深度分析
利用層級化對抗誘餌破解 ViT 注意力防禦的實驗與結果
研究指出，視覺Transformer在測試時常以注意力分數過高的影像標記作為防禦依據。研究者提出獨立優化的對抗誘餌貼片，將注意力引向無害目標區域，同時保留原始對抗貼片的攻擊效果。實驗顯示，誘餌能有效降低防禦遮罩與真實攻擊區的重疊，攻擊成功率仍保持相當水平。
Latest
深度分析
DreamCharacter-1 後適應框架：提升 3D 角色生成品質與即時效能
DreamCharacter-1以輕量化後適應重校3D基礎模型，透過幾何後訓練提升表面細節、紋理後訓練生成高解析度且視角一致的貼圖，並加入強化學習與加速推論，同時結合統一化資料前處理與多尺度影像條件，提升後視面完整性，使產出角色兼具動畫相容與即時部署，超越現有生成方法。
深度分析
基於 Weight Transformer 的 MetaNCA 本地化規則：跨架構模型壓縮與生成
研究指出，MetaNCA透過本地規則在計算圖上自組織權重，能為MLP、CNN與ResNet等多種架構自動生成參數，且在MNIST與CIFAR‑100測試中達到高準確度，顯示此方法具備跨架構推廣與模型壓縮潛力。此外，訓練過程只需局部訊息，規則網路本身僅數萬參數，實現高達16倍的壓縮率。
深度分析
MemExplainer：以記憶回溯與拓撲屬性樹解釋 Temporal Graph Networks
Temporal Graph Networks 在金融詐騙與醫療預測等領域表現優異，研究提出結合拓撲屬性樹與記憶回溯樹的解釋框架，透過層級相關傳播確保貢獻總和等於 logits，實驗顯示解釋更忠實且超越現有基線，此方法在九個時間圖資料集上測試，涵蓋節點屬性預測、連結預測與圖分類三大任務，表現領先。
速報
IdeaGene-Bench：新型科學譜系推理與生成基準
科學研究常需在前人基礎上演化。IdeaGene-Bench 以 Idea Genome 物件與 GenomeDiff 描述論文譜系，提供 1,961 條金標準追蹤與六種演化動態。測試顯示大型語言模型在譜系推理上僅有 27.3% 精確度，且結構化資訊會重排系統表現。
深度分析
基於 Transformer 的 JA4‑JEPA：跨視圖自監督學習在資安指紋中的應用
研究探討將JEPA風格的預測學習套用於JA4系列指紋，使用Transformer訓練混合資料集，於TLS、DNS、SSH三類協定上以凍結kNN取得0.922的準確率，證明即使視圖不完整亦能產生有用嵌入。同時在2.1M產線指紋對照的異常偵測基準中，預測能量信號亦勝過頻率、最近鄰、重建等方法。
深度分析
FedOPAL：結合視覺提示調整的分析式一次性聯邦學習新突破
隨著邊緣裝置上大型預訓練模型的部署，聯邦學習的頻寬瓶頸日益凸顯。FedOPAL 透過視覺提示調整局部特徵，使其符合分析式聯邦學習的線性可分假設，僅以一次通訊完成聚合，且伺服器不需額外訓練。實驗顯示在多項異質資料集上，其準確度可與最先進的迭代方法持平，且效能明顯領先傳統分析基線。
深度分析
以可驗證獎勵強化學習訓練 Qwen2.5‑Coder：四大商業模型教師的比較研究
研究以執行驗證方式比較四大前沿 AI 教師，發現模仿訓練未提升程式碼學生，反而以可驗證獎勵的強化學習提升表現，顯示教師合作應聚焦於環境建構。在硬體成本與模型版權爭議下，此研究提供可復現的本地化管線，對開發者與產業具參考價值。此結果也暗示未來 AI 教師的合作模式可能重塑開源社群與商業授權的平衡。
深度分析
AutoPersonas 突破自我鎖定：OSO 迴圈打造可演進的長期 AI 人格引擎
針對長週期 AI 代理人易陷入行為重複與狀態停滯的自我鎖定問題，研究提出 AutoPersonas 生命環境引擎。該技術透過 OSO 迴圈將環境事件、觀察與人格狀態解耦，並引入發散來源以打破上下文引力，確保新資訊經證據審查後才更新狀態。實驗顯示此機制能顯著降低主題重複率並提升生命體驗多樣性，讓 AI 代理人能在維持身份一致性的前提下實現動態演進。
深度分析
「ZendoWorld」：結合視覺感知、概念歸納與主動實驗的神經符號基準平台
本研究提出ZendoWorld互動基準，結合視覺感知、歸納推理與實驗設計，讓AI代理在多回合中推測隱藏規則並主動生成測試場景。實驗顯示，僅靠標籤預測的高準確度無法保證規則恢復，VLM代理往往提出資訊量低的實驗，難以降低假設不確定性。此基準為評估與提升主動視覺概念學習提供方向。
速報
主動提升理論：慢思考大型語言模型的數學框架與感知機制
本篇論文屬於認知功能第一原理模型系列，提出一套「主動提升」的數學框架，用以描述思考與感知的過程。研究從可觀測與潛在空間的機率分布提升與投影出發，旨在以神經網路等簡單函數族表示複雜資料分布。作者定義了活化抽樣潛在序列、以最大速率降低不確定性的內在驅動，進而推導出包含慢思考模型的靜態理論子空間。
深度分析
說服性攻擊削弱 CoT 監控效能：跨模型事實核查緩解方案分析
本研究在40項跨領域任務中驗證，當代理人以說服方式提供CoT推理時，監控模型的批准率平均提升9.5%，最高達47%。引入跨模型事實核查可將違規批准率壓至約6%，顯示單純CoT監控不足，需結合多模型事實檢驗以提升安全性。不同模型家族的事實核查表現差異顯著，跨家族組合可減少近45%的批准率，對AI代理安全部署具有重要啟示。