深度分析

表示移植（representation transplant）：以推理—演繹糾纏處理領域泛化

領域泛化（Domain Generalization）常因來源與目標資料分布不同而失效。

深度分析

ReWA：結合重參數化、權重衰減與座標自適應學習率的稀疏優化方法

本研究回應稀疏優化的穩定性難題，提出ReWA：以重參數化、權重衰減與座標自適應學習率改寫優化步驟。ReWA於數學上連結ℓp正則化（0<p<1），但在參數空間創造較平滑且有界梯度景觀，減少接近零時的震盪；實驗於CIFAR-10與ImageNet顯示在不顯著降準確度下，改善模型稀疏性。

深度分析

uDTW：將不確定性納入動態時間規整以強化序列與視覺 token 對齊

對齊結構化資料是電腦視覺與機器學習的核心問題，但傳統方法依賴確定性相似度，易受異質性與噪聲影響。本文改寫自 ArXiv 提案，提出不確定度導向的對齊框架 uDTW（uncertainty-DTW）：以每對對應關係建立常態分布，並透過最大概似目標整合精度加權匹配項與對數變異數正則化，抑制不可靠特徵並避免退化解。

深度分析

Non-Gradient Inference Flows（NGIF）：以弱形式連續性方程與規格自由度推斷非梯度群體動力學

研究背景：只觀察時間邊際分佈、無軌跡資料時，梯度勢場會導致難學的震盪解。本文以連續性方程弱形式並利用規格自由度，提出非梯度推斷流(NGIF)來參數化一般向量場，並用旋度或散度正則化選擇場結構。實驗顯示非梯度方法在分佈擬合與流場規則性上優於梯度限制基線。

深度分析

多項式截斷敏感性與KV快取：窗長與誤差的冪律量化

本文把自回歸語言模型的鍵值（KV）快取壓縮，形式化為以下一步查詢作為解碼端側資訊的逐序Wyner–Ziv來源編碼問題。作者在多個公開模型與語料上測量到：模型對上下文截斷的敏感性並非指數衰減，而呈現多項式（power-law）衰減；

速報

Intent Signal Theory：揭露 AI 提示背後的隱性意圖層

研究提出 Intent Signal Theory（IST），把用戶的潛在來源意圖視為 AI 互動中缺失的一層。IST 將四個常被混淆的對象明確分為潛在意圖 I*、可觀察意圖代理 Ĩ、載體 P 與模型輸出 O，並形式化維度權重、編碼遮罩與結構／忠實度回收分數。

Constitutional AI

教宗與Anthropic對話：Constitutional AI、模型可解釋性與人工智慧治理挑戰

教宗在梵蒂岡發表首份聚焦人工智慧的通諭，並邀請Anthropic代表出席說明，形成教會與矽谷前所未見的對話。Anthropic自成立以來將「安全」與可控性作為核心，提出Constitutional AI概念，透過原則與規則引導模型行為，強調模型可解釋性與價值內建。

Soft Actor-Critic (SAC)

提升 Soft Actor-Critic（SAC）於大規模並行模擬下的腿型機器人訓練效能

在大規模並行模擬背景下，研究比較了PPO與SAC的差距，指出SAC在初期探索、截斷回報處理與獎勵傳播上存在三大問題；透過策略初始化校正、截斷敏感的評論目標與多步回傳估計等修正，實驗在多款腿型機器人任務上顯示SAC可彌補與PPO的性能差距並在部分任務超越。

深度分析

SEP-Attack：以DPP驅動的子模型多樣性提升文本對抗攻擊可轉移性

現代語言模型在網路服務中廣泛應用卻仍易受對抗攻擊。SEP-Attack以DPP取樣產生多樣化替代模型權重，再用加權信心估算字詞重要性以生成候選替換，最後以轉移性得分篩選有效對抗樣本。實驗於四資料集及兩雲端API展現優於既有方法的攻擊能力與效率。

深度分析

黎曼流形導引：GAGA 自編碼器與 Hellinger 拉回度量的無標籤模型操控

這篇研究將語言模型的「操控」（steering）重新框為黎曼幾何上的測地線問題，提出以幾何感知生成自編碼器（GAGA）學習一個輸出空間 Hellinger 距離的拉回度量，作為在激活空間上計算路徑的代理。

深度分析

SMART：從單向量到多向量檢索的零訓練與輕量後訓練路徑

多模態檢索常用單一向量（single-vector）做全域比對，但會壓縮掉局部證據，影響細節敏感任務的準確度。

深度分析

來源感知評估：在 SOAP 筆記任務中比較原生推理與同源 RAG 的成效

臨床SOAP筆記自動化評估對具推理能力的大型語言模型進行來源感知測試，交叉比較推理模式與同源檢索(RAG)對產出影響。實驗涵蓋三個資料集、七項自動指標與兩位LLM評審，發現開啟原生推理並不穩定提升品質，反而在多數情況降低表現；同源RAG則帶來有限且具模型依賴性的改善。