深度分析
校準 BiomedCLIP 弱標註：醫學影像中的噪音標籤轉折與決策規則
研究以BiomedCLIP將大型視覺-語言模型作為弱標註，校準三個醫學影像基準的噪音標籤轉折位置。比較多種下游架構並提出可用十至二十個金標判定是否採用弱標註的決策規則。結果在三個資料集複現轉折現象，超過轉折後加入弱標註會降低AUC。研究亦比較結構性與隨機錯誤的差異，指出評估邊界需納入標籤空間投影。
Latest
深度分析
頻譜檢索：用多尺度 sinc 卷積重排序逐 token 檢索以提升局部召回
檢索增強生成常以單向量平均，但當相關集中於短子段時會被周遭噪聲稀釋。頻譜檢索以多尺度sinc在token軸做卷積平滑，跨尺度取最大相似度，介於meanpool與per-token MaxSim之間。實驗於合成與LIMIT-small顯示明顯召回與排序改善。
深度分析
雙流 DSAM＋VAA：將 LVLM 調適為多語網頁影像翻譯引擎
網頁影像中的文本常因字形多樣、版面複雜與背景雜訊而難以直接翻譯，這類任務要求同時完成辨識與語意理解。本文介紹一個端對端框架 Visual-Aware（文中命名），以雙流視覺編碼配合雙向注意力的 Dual-Stream Attention Module（DSAM），將高階語義與低頻形態細節互相引導融合；
深度分析
R-DTLGN：Kleene 三值邏輯與軌跡蒸餾驅動的 STL 在線監測與降級保證
面對有界時序邏輯(STL)監測的因果缺口，本文提出可在推論時硬化為三值邏輯電路的R-DTLGN。該模型以多項式代理在Kleene三值域訓練，並以軌跡蒸餾轉為精確門電路，能在感測或謂詞缺失時使輸出退回「未知」，同時維持預測能力。對安全監測具體應用具備價值
深度分析
DisDop：以 RemoteCLIP 與 DINOv3 的多層域先驗蒸餾強化空拍開放詞彙檢測
無人機視角影像類別稀缺且與自然影像域差異大，促成開放詞彙空中偵測需求。研究提出DisDop，系統性自遠端感測基座模型蒐集多層域先驗，透過RemoteCLIP與DINOv3融合教師、語義關係蒸餾與場景上下文整合，提升小物體辨識與跨域對齊能力。實驗顯示其於公開空中資料集上超越先前方法。
深度分析
LLM 與 Mythos：從零日不對稱到漏洞修補吞吐的經濟學
本文以「bugonomics」角度改寫並分析 ArXiv 文章，檢視大型語言模型（LLM）如 Anthropic Mythos 對漏洞發現與修補流程的經濟影響。作者主張，LLM 並非單純帶來更多可實務利用的零日，而是改變防禦端的成本結構：候選報告量激增、證據豐富的修補包更值錢，維護者的驗證、優先排序與發布成為瓶頸。
速報
人工智慧驅動的對抗優化侵蝕公開金鑰密碼學安全
研究顯示公開金鑰密碼學在面對由人工智慧主導的適應性對抗優化時，既有以算法為中心的安全模型與實際攻擊情境逐漸脫節。攻擊者更常利用實作層的可觀測性進行優化，而非直接破解密碼原語。論文分析這種模式對防護策略的影響，並提出調整方向。研究提醒業界需重新評估以演算法強度為主的威脅模型。
深度分析
FoodMonitor 基準：以逐幀定位與結構化生成評估廚房合規監測的多模態大語言模型
監視影像要從「異常偵測」升級到可追溯的合規分析，FoodMonitor以477段廚房影片、雙通道逐幀標註與結構化JSON輸出，提出兩階段比對評估定位與語義理解，並發現現有多模態大語言模型在空間定位與規則對應上仍有顯著短板，最佳複合評分僅0.360。
深度分析
TMMFormer：以三重動量將優化器原理內建於 Transformer 層級更新
研究把 pre-norm Transformer 層視為優化器步驟，將注意力與 MLP 解讀為負梯度預言器，進而把優化器設計搬進模型結構。論文提出一系列以優化器為靈感的變體，重點是三重動量（TMMFormer），它以速度流並行於殘差流，改變深度遞迴的傳播濾波特性。
速報
代理人架構與上下文工程驅動的UML自動生成
背景：大型語言模型已被用來自動化程式碼文件化。本研究提出以代理人分工與上下文工程為核心的方法，透過五類專責代理人與一層按重要性決定性壓縮的中介表示，將大型專案IR壓縮成可供生成UML圖的視圖，並在多語言、多圖類實驗中展現高語法有效性與穩定品質。
深度分析
VectorArk：以圓角多邊形與退化訓練強化實務向量化
VectorArk 提出一套面向實務的影像向量化流程，核心在於以圓角多邊形作為向量表示，再配合輪廓型光柵輸入與訓練時的退化模擬，強化對不同反鋸齒與生成影像失真的耐受度。訓練上以預訓練多模態大模型微調，並採測試時尺度擴增與投票式候選排名，實驗顯示在幾何完整性與雜訊抑制上，對比既有方法能取得更穩定且視覺上更平滑的 SVG 輸出。
深度分析
MX-SAFE (MXSF) 與 Systolic 加速器：混合 8 位元微縮格式實作與瓦片化硬體設計
量化已成為降低深度學習訓練與推論成本的關鍵工具。本文改寫報導 MX-SAFE（MXSF），一種在同一 8 位元微縮區塊內動態切換兩種子格式（寬尾數 E2M5 與高動態 E3M2）的混合 MXFP 設計，並以瓦片化區塊減輕重量化負擔。