深度分析
NeuroLink：支援 21 家供應商與 64+ 工具的 AI 多模態整合方案
NeuroLink以統一API整合21+AI供應商與百餘模型，支援文字、語音、影像等多模態串流，並提供多供應商容錯、記憶體快取與自動成本路由，讓開發者可彈性切換模型、降低運營成本，預期將加速AI應用在企業與邊緣裝置的部署。同時支援企業級HITL安全審核與即時語音雙向互動。
Latest
深度分析
使用 mcpx CLI 直接呼叫 MCP 服務，支援 JSON 輸出與快取機制
隨著MCP（模型上下文協議）在AI開發環境中逐漸普及，mcpx透過CLI將伺服器功能以指令形式曝光，支援即時管道、JSON輸出，並可自動發現Cursor、Claude等現有服務的設定，讓開發者快速組合工具，提高工作流效率。同時，mcpx以開放授權提供，可在多平台部署，降低跨環境整合門檻。
深度分析
Learn‑LikeCC：結合 Claude Code 原始碼與模型路由的完整開源學習平台
Learn‑LikeCC是一個以ClaudeCode原始碼為教材的開放式學習平台，提供TypeScript結構解析、可執行復刻CLI與模型路由實驗。透過三大仿真工具展示AgentLoop、腳本與Prompt追蹤流程，協助開發者快速掌握AI Agent架構。此專案促進社群對大型語言模型工具化的研究與應用。
深度分析
SecureCode v2.0：跨語言支援、真實 CVE 事件與四輪對話的產線級安全程式碼資料集
AI產生的程式碼安全缺口持續擴大，SecureCodev2.0提供1,215筆與真實CVE事件對應的漏洞與安全實作、四輪對話與作業防禦指引，實驗顯示能顯著提升模型生成安全程式的準確度，預期降低企業安全風險。每筆範例均含SIEM整合與容器硬化建議，彌補了過往資料缺乏作業層面指導的缺口。
深度分析
AISIX AI Gateway：Rust 原生、支援 OpenAI 兼容多家 LLM 供應商的全平台代理
AISIX以Rust打造開源AIGateway，提供兼容OpenAI的單一API，整合多家LLM供應商，支援路由、速率限制與內容防護，讓平台可自行部署或使用雲端管理，降低成本並提升治理效能。同時內建快取、觀測與安全防線，支援SSE串流與多模態輸入，適用企業與開發者快速建置多雲LLM架構。
深度分析
稀疏自編碼器 L0 設定對特徵混合的影響：從玩具模型到 Gemma-2-2b 的深入分析
研究指出稀疏自編碼器的L0參數若設定不當會導致特徵混合，過低會使模型以相關特徵欺騙重建，過高則產生退化解。作者提出透過解碼器投影衡量找出正確L0，實驗顯示在Gemma-2-2b上最佳L0約200-250，提升稀疏探測表現。此發現對未來模型解釋性研究具有指導價值。
深度分析
最小行動距離（MAD）自監督學習提升強化學習狀態表示
本研究針對強化學習的狀態表示，提出僅靠狀態軌跡學習最小行動距離（MAD）的方法，透過自監督嵌入使狀態間距離對應MAD，並在確定與隨機、離散與連續環境中驗證其高精度，顯示在目標條件強化學習與獎勵形塑上具實質效益。此外，該框架支援非對稱距離近似，克服以往對稱方法無法捕捉環境方向性的限制。
深度分析
「實證計算」：以大型語言模型 (LLM) 驅動的全新程式設計範式與實驗結果
隨著大型語言模型生成程式碼的普及，研究者提出「實證計算」概念，透過自然語言提示直接求解問題，結果以最可能正確為依據。實驗顯示在排序與子集和等任務上可達近乎正確，相較於傳統程式化流程，實證計算免除格式合約，提供更彈性但亦帶來正確性不確定性，預計將推動AI工具安全基礎設施的重新設計。
速報
視覺擴散模型複製問題全解析：揭露、機制與緩解策略
視覺擴散模型在創意 AI 領域展現高品質、多樣化的生成能力，但也會記憶訓練資料，導致在推論時重現相似的概念、內容或風格，衍生出隱私、安全與版權等議題。本文系首篇系統性回顧，將相關研究分為三大類：揭露（偵測複製案例的方法）、理解（探討產生機制與影響因素）以及緩解（提出降低或消除複製的策略），並延伸討論醫療等實務領域的衝擊。
深度分析
Travel Agent Compassion (TAC) 基準揭示大型語言模型在 AI 旅行代理人中的動物福利缺口
研究指出，隨著大型語言模型被當作自動旅行代理人，需評估其對動物福利的隱性偏好。研究團隊提出首個代理人基準 TAC，透過十二組旅遊情境測試七大前沿模型。結果顯示所有模型在預設設定下均低於 64% 基準，最佳僅 53%。加入關懷指示可提升部分模型表現 47 至 63 個百分點，研究呼籲將此類評測納入歐盟 AI 治理框架。
深度分析
圖卷積注意力 (GCA) 與光譜注意力：提升圖去噪與圖擴散模型效能的新方法
圖去噪是圖學習的基礎問題，本文提出光譜注意力與圖卷積注意力（GCA）作為對線性注意力的改進，利用圖的頻譜資訊進行更精確的去噪與擴散。實驗顯示在合成與真實資料上，GCA 可顯著提升去噪效果，且在DiGress中移除昂貴的特徵計算仍保持競爭力。研究者認為此方法將推動圖生成模型的效率與可擴展性。
深度分析
RSF‑GLLM：可微分軟流與動態門控彌合知識圖譜多跳問答語意鴻溝
多跳知識圖譜問答常因中繼節點與問題詞彙無交集而失效。研究提出RSF‑GLLM，利用可微軟軟流與動態門控在圖上傳遞概率，抽取離散推理路徑再以LLM生成答案。實驗顯示在WebQSP與CWQ上達到90%以上命中率，推論速度提升21倍，此架構亦為大型模型降低資源需求、提升商業化可行性鋪路。