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。
Latest
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。
深度分析
可驗證參照穩定性：密碼學見證與外部行為指紋在託管 AI 的應用
隨著託管人工智慧系統持續更新，傳統以固定識別碼綁定的資安評估經常失效。本文提出參照穩定性與參照安全的新範式，主張把模型身份當作可驗證的實證屬性，並評估密碼學簽章與黑盒行為指紋兩種可行機制，期望恢復可重現性、長期稽核與跨供應商可比性。此舉對審計、研究與監管均具關鍵意義。
深度分析
AutoSG：以 RAG 與 LLM 驅動的定製求解器，結合結構安全精修與無實例 Elo 評估
昂貴優化問題普遍需客製化求解器且單次評估耗時耗費甚高。AutoSG以檢索增強生成(RAG)自學術文獻嚴格取證並採雙階段生成流程以避免虛構錯誤，一步自我精修操作在保留局部結構下導入任務專屬改良。系統以Elo式LLM裁判建立無實例排序，快速選出最終求解器。實驗顯示在多種昂貴優化場景上超越既有SOTA框架。
深度分析
Gemma 4 31B 在 TPU 上以 LoRA 微調與 vLLM 部署：效能、成本與工程要點
研究以 Gemma 4 31B 在 TPU 上完成 LoRA 微調與 vLLM 推理為背景，詳述從 PyTorch→JAX 的改寫、Orbax 到 safetensors 的合併流程，以及在 v6e-8 上部署所需的 Docker 設定。結果顯示 TPU 訓練更快、成本更低，並在長上下文推理延遲與吞吐上展現顯著優勢，惟評估品質部分 GPU 仍有領先。
Transformer
在Transformer MLP中放大激活稀疏：平坦性理論、導數稀疏與JSReLU實作
這篇研究從訓練動力學角度出發，將Transformer中MLP模組自發出現的激活稀疏性（activation sparsity）與損失平坦性(flat minima)建立數學連結。