深度分析
正交瓶頸：以固定正交投影壓縮強化學習表示
面對深度強化學習中高維表示過剩，研究提出在編碼器後插入固定正交投影的低維瓶頸，將特徵壓縮到同一正交子空間，不需輔助目標或預訓練。理論證明當瓶頸維度超過值函數內在秩時，不會降低表現且保持梯度動力學；實驗在單任務與多任務上常能以極低維度達到或提升基準效能，並穩定化特徵規模與有效秩。
Latest
深度分析
CORTIS：用 Fisher 資訊與累積正交子空間實現持續性零樣本 TTS 語者移除
隨著零樣本文字轉語音（ZS-TTS）能以幾秒語音複製私人聲音，個資移除請求呈現連續到達的現實需求。
深度分析
QUIET：以多空格級聯完形測試與資訊論評分評估大型語言模型創作力
為了彌補現有指標偏向辨識能力的侷限，研究提出 QUIET——把完整故事設 10–20 個相互級聯的空格並附明確內容約束，讓模型以開放式生成填入，採用客觀的 NLI 式約束檢查與資訊論化的「校準驚訝」複合分數自動評分；在 12 款商用模型與 135 名人類先驗測試中，QUIET 能區分世代差異並揭示評分系統的一致性瓶頸。
深度分析
VEN-VL：結合MKE、HTE（MoE路由）與SIP，提升視覺令牌的容量與密度
面對多模態模型在部署端的效能與準確性矛盾,VEN-VL提出enrich then compact原則:先以多視角知識集成(MKE)豐富視覺容量,再以階層式MoE路由(HTE)逐層濃縮強化資訊密度,並以結構資訊保留(SIP)的重建監督守護語義。結果是在僅保留少量凝縮令牌下仍顯著提升複雜視覺理解任務的表現。
深度分析
LegalSearch‑R1：本地化版本化 RAG 與強化學習實現法律檢索的時間一致性
法律推理要求適用法與案情時間對齊。本研究提出LegalSearch‑R1，透過時間索引語料與強化學習，將本地法條RAG與線上搜尋結合，並用熵基增益整形改善時序查詢策略。實驗在13項任務顯示，此法提高時間一致性與檢索精準度。並呈現對既有研究的比較與泛化能力。
深度分析
TTPrint：發散後收斂的 TTP 擷取管線與 MITRE ATT&CK 驗證機制
資安報告自動擷取MITRE ATT&CK技術常陷於遺漏或幻覺的兩難。TTPrint採「發散後收斂」：先把報告拆成原子行為廣泛提出候選，再以句段定位與官方定義交叉驗證篩選。實驗在修正後TRAM與新文檔基準上顯著提升整體F1，並強化預測可追溯性。
深度分析
Context-Instrumental資料蒸餾：以驗證驅動語料構建LoRA微調的小型Kubernetes YAML模型
基礎設施即程式碼讓Kubernetes配置變得複雜且易出錯。本研究提出context-instrumental資料蒸餾，以合成生成與反向指令建立語料，並以kubeconform、Checkov等驗證器篩選後，用LoRA在小型模型上微調。受控測試集全通過率為91.5%，顯示嚴格輸出格式與驗證流程關鍵。
深度分析
在 Jetson Orin Nano 上以 Prism 與 Segment Means 緩解 GLOO CPU–GPU 暫存瓶頸
本研究在整合式 GPU 的嵌入式邊緣裝置（NVIDIA Jetson Orin Nano）上，實作並量測分散式 Transformer 推論的實務瓶頸。作者以 Prism 的 Segment Means 壓縮結合離線剖析，動態在本地或分散執行間切換，將需經 CPU 暫存的通訊量大幅降低。
速報
Auto‑Robotist：LLM 自我進化的機器人形態技能庫
大語言模型在機器人形態搜尋常無可重用記憶。Auto‑Robotist將搜尋軌跡蒐成自然語言技能庫，記錄結構原型、正負規則與評估案例；搜尋時檢索技能以引導模型編輯並保留遺傳演算法探索路徑。實驗在多項EvoGym任務顯示5×5冷啟動搜尋改善，且技能可遷移至10×10，參照式轉移優於純GA。
速報
Alper：以標籤傳播重構髒亂實體解析
實體解析是從雜亂資料辨識相同實體的核心任務。Alper把比對和聚類合併為一個不斷演進的全域實體圖，透過標籤傳播同時修正結構與標記。它會將便宜但弱的圖傳播訊號與昂貴但強的LLM成對查詢交互整合，並在有限查詢預算下用貪婪演算法選擇訊號。實驗在多個基準資料集上顯示其整體表現優於階段式流水線。
深度分析
以自我錨定語意綠域與多通道計分實現的 SAMark 水印框架
面對生成式人工智慧輸出經常被編輯或改寫，如何在不犧牲文本品質下維持可偵測水印成為關鍵。SAMark 提出以句子語意為核心的「自我錨定」語意水印，將綠域（watermark green region）從步驟依賴改為單位語意依賴，搭配多通道超曲線計分放大穩健信號，並以多元性過濾維持詞彙新穎與流暢度。
深度分析
在語言模型中以 Compactor 模擬工作記憶：實驗方法與教育應用啟示
本研究系統性比較大型語言模型（LLM）與人類在多項記憶任務上的表現，建立包含十個任務的基準測試，並收集人類參考資料。作者發現預設模型在多數任務達到近乎滿分，顯著超越人類記憶表現。