深度分析
Jitskit：以 LLM 與程式碼代理進行 Just-in-Time 全系統合成的實驗與發現
研究指出通用核心系統為廣泛適配而付出結構性效能代價。研究提出Just-in-Time系統與Jitskit合成流水線，從環境、工作負載與需求三張規格卡出發，迭代生成並驗證完整KV系統，加入對抗式稽核與可觀測評估以避免獎勵濫用。實驗在18種配置上皆通過正確性檢驗，並普遍超越既有系統。
Latest
速報
以神經網路驗證計算精確 SHAP：可證明的上下界演算法
背景：SHAP被視為對神經網路計算不可行，因為特徵組合呈指數級。方法：該研究運用最新神經網路驗證技術，逐步求得任意緊的SHAP下界與上界，最終還原精確值。結果：該法能處理遠大於既有精確方法的搜尋空間，並為大型特徵空間上的近似法提供量化檢驗基準。
深度分析
Tracer：以嵌入檢索與 LLM 驗證進行 Code LLM 資料汙染語意分級
資料汙染會扭曲大型程式語言模型（Code LLM）在基準測試上的評估結果。Tracer 提出一套語意感知的多階段檢測框架，將任務重疊細分為「功能等同」、「近似」與「共用邏輯」三類，並串接指令正規化、嵌入式初篩、以 LLM 為核心的細緻驗證與瑣碎任務過濾。
深度分析
頻譜探針電路：用三步法於預訓練檢查點識別 Transformer 注意力頭電路
本研究提出一套三步法：以每頭注意力輸出參與比（PR）積分抓取頻譜信號，透過六類任務模式篩選形成候選電路，最後以分組消融與同層隨機對照做因果驗證。跨多種架構與尺度重複實驗發現，誘導電路通常由3–6個頭構成，且可辨識的專精頭比例約17–19%不隨規模大幅變動。
深度分析
動態貝式博弈下的誠實性加權機制：將行動平台LLM線上微調後悔降至 O(√T)
本研究針對行動群眾外包環境下，來自多位行動使用者的偏好回饋可能被策略性地虛報，導致以人類回饋微調大規模語言模型（LLM）時效果退化。作者以動態貝式博弈建模平台與多位策略性工人之間的線上互動，設計一種能根據回饋準確度動態調整權重的線上加權彙整機制，並證明該機制可誘導誠實回饋且將總體後悔（regret）從線性降為次線性 O(√T)。
人工智慧
Anthropic與美國國防部的合約爭議：致命自主武器、軍用AI與決策鏈挑戰
數年前起，國防與科技界展開以人工智慧改變戰場的討論。文章指出，AI已深度嵌入軍事系統，從影像分析到機械視覺，能壓縮決策時序並支援自動鎖定與反應，同時也帶來法律與倫理風險。近期企業與政府的合約糾葛凸顯監管與紅線尚未明確，可能影響未來部署與國際談判。
深度分析
從搜尋到任務化：Google 以 Gemini 模型與代理架構整合產品與創作者生態
GoogleI/O後，SundarPichai描述Google如何以Gemini與代理平台，把共用模型與基礎建設串接到搜尋、YouTube與產品線上；此舉讓搜尋能直接執行任務而非僅回傳連結，可能進一步侵蝕網站流量並重塑創作與商業模式。帶來政策與營收分配討論。
深度分析
Iterative Refinement Neural Operator (IRNO)：以共享修正器的固定點迭代改善高頻誤差
研究提出Iterative Refinement Neural Operator（IRNO），將預訓練的神經算子作為粗解，並以共享權重的修正子在推論時做固定點迭代，將預測拆成初始化與殘差修正兩部分。理論上在局部條件下可被視為收斂的契約映射，並能穩定外推超過訓練迭代次數。
深度分析
高斯釋出在隱藏態隱私的限制：Fisher 下界與 Mahalanobis 自適應攻擊分析
本研究針對 decoder-only transformer 的中間隱藏態釋出（例如做向量檢索或快取）評估高斯雜訊機制的隱私-效用折衷。
深度分析
以流水陣列加速 Kuramoto 局部非線性漂移：SA-Kura 架構與能耗評估
擴散模型採樣昂貴，Kuramoto方位擴散以局部相位耦合取代線性漂移，保留更多局部結構並提升步數效率。SA-Kura將sin(θj−θi)重寫為鄰居累加後再與中心相位乘減，移除PE內三角單元並以流水陣列執行。實驗顯示在45nm綜合下，相較SoC軟體延遲與能耗分別降約193×與69.4×，對Jetson Orin Nano則更快6.57×且每像素能耗約46×更低。
深度分析
為 VLA 模型優化的 ActQuant：矩陣位元分配、尺度優化及 OmniModel.cpp 工具鏈
面對 VLA 模型難以在邊緣裝置部署的記憶體瓶頸，ActQuant 提出行為導向混合精度 PTQ：先依矩陣對動作貢獻分配位元，再在矩陣內以動作敏感度優化分塊尺度，並透過 OmniModel.cpp 轉出低位元本地推論。實驗顯示可在低於 3-bit 保持高成功率並顯著壓縮模型。
深度分析
Diffused Reward 與 DRP：為一步生成器建立軌跡級 RLHF 對齊
近年一步式文字到影像合成走向實時化但偏離人類偏好。Didr將RLHF的報酬傾斜分佈沿擴散軌跡傳播，導出跨噪音層的Diffused Reward Score並以可微短步去噪的Diffused Reward Proxy估算。實驗顯示在一階SDXL與大尺度DiT骨幹上，Didr在偏好與FID的權衡上領先既有一階方法。