深度分析
LLMography：結構化追蹤 Human‑AI 互動的指標與審計系統
隨著大型語言模型廣泛應用於教育與工程，僅檢測最終產出已不足以評估AI使用情形。LLMography提出將人機對話系統化為可量化指標，涵蓋提示品質、人類指導、AI依賴、可追溯與審計等面向。實驗顯示學生作品多為人機共同創作，提升了透明度與責任追溯。此框架亦可套用於企業內部審計與開源軟體貢獻追蹤，未來有望成為AI透明度的標準化元件。
AI 透明度
深度分析
Anthropic 改變 Claude Fable 5 隱蔽防護機制，提升透明度與安全
Anthropic原本在ClaudeFable5中暗藏性能削弱機制，阻止競爭者利用模型開發新AI，遭研究社群猛烈抨擊後宣布公開防護，並改為提示或轉接較弱模型。此舉顯示AI公司在安全與開放之間的掙扎，也讓業界重新檢視隱蔽防護的合理性。與未來模型治理的方向。
深度分析
基礎模型多代理生成追溯：符號編年誌技術與實驗結果分析
本研究聚焦於多代理生成環境中的內容溯源問題，提出一套僅憑生成文本即可回溯貢獻者的符號編年誌系統。核心概念是以簽名與時間戳記的符號序列（chronicle）映射至詞彙子集，藉由在生成過程中對特定詞彙施加偏置，使編年誌資訊隱入文字內，之後再以統計分析恢復。