深度分析
474 種可執行遊戲評測大型語言模型的層級式互動推理能力
本研究提出一套層級式互動推理評估框架，將推理視為在部分可觀測環境下的主動資訊取得與信念更新。模型僅取得任務規則，需自行發問、整合逐步觀測，並判斷何時提交最終答案。框架在四種資料結構（集合、序列、樹、圖）與三種推理模式（演繹、歸納、溯因）上構造 474 個可執行遊戲，並加入情境魯棒性與元認知適應兩層測試。
AI 評估
深度分析
以題目層級資料與心理計量法（CTT）強化 AI 評估：OpenEval 的實務與影響
隨著生成式人工智慧進入高風險應用場景，現行基準評測面臨建構效度不足、資料汙染與快速飽和等問題。本文主張回歸題目層級（item-level）資料以建立嚴謹的評估科學：透過題目內容、逐題回應與統計指標進行細緻診斷，可揭露題目品質、干擾因子與能力映射。
深度分析
智慧密度（intelligence density）：以壓縮性與獨立輸出量化「懂」與「記憶」
本文改寫並深入解讀一項針對任意物理系統的量化智慧定義：智慧密度（intelligence density）。作者把系統可產生的獨立輸出數量的對數，除以系統描述長度，作為衡量指標，並以此區分「記憶」與「了解」。
生成藝術
SemJudge：結合符號學與 AI 的層級語意圖生成藝術評估框架
研究指出現有生成藝術評估器過度聚焦影像品質，缺乏對象徵與指示意涵的判斷。作者提出SemJudge，利用層級語意圖重建從提示到圖像的意義形成過程，並在細部藝術基準測試中與人工評分高度吻合，顯示生成藝術有望突破表層美感，傳遞更複雜的人類經驗。