速報
認知卡達謝夫尺度：量化文明能支持多少人工智慧運算
研究問：文明能持續做多少等級的計算？作者提出認知卡達謝夫尺度，以總功率、投入比率、能量轉運算效率與腦等價處理率四項參數估算人工智慧級別。以2024–2026年硬體效率為基準，指出當代人類接近行星級運算，恆星級則超出直覺想像。此外，誰能取得資源將比能效或能量更關鍵。
速報
速報
可計算公平分配（CFD）與 AHC++：抑制多代理系統的資源壟斷
大型人工智慧系統面臨有限GPU與頻寬分配問題。研究提出可計算公平分配（CFD），把Boltzmann-Softmax當成機率性資源分配機制，並將逆溫參數β作為可控變數以調節效率與公平。動態上以AHC++依據主導性偏差實時調整β；模擬顯示在外部衝擊下可抑制極端壟斷，代理數增100倍時執行時間增5.5倍。
速報
確定性地平線（Deterministic Horizon）：揭露Transformer推理深度的準確度天花板
大型語言模型已被用於撰寫軟體、法律文件與臨床紀錄，但計算能力受圖靈、阿羅及無免費午餐定理等基本限制。研究提出確定性地平線（Deterministic Horizon）理論，主張極限由模型架構決定，可在部署前由層數與嵌入寬度預估；在多個Transformer架構中觀察到關鍵推理深度介於19到31。
速報
RMA：代理人協作框架攻克研究級數學證題
ArXiv 提出 Research Math Agents（RMA），一套專為研究級數學問題設計的代理人化自動推理框架。RMA 將證題求解拆解為問題分析、文獻檢索與理解、公平比較、知識庫建構與證明驗證等專責模組；
速報
EngGPT2MoE-16B-A3B：以混合專家架構推進義大利語大型語言模型表現
報告評估義大利ENGINEERING的EngGPT2MoE-16B-A3B，為16B參數MoE且在任意時刻啟用3B活躍參數。研究以多項國際與義大利基準比較模型表現，結果顯示該模型在多數國際測試優於或等同主要義大利模型，且在RULER32k長上下文設定取得最佳成績。
速報
多指標揭露的公平性不一致：人臉辨識與FDI衡量
機器學習在生物辨識與醫療等高風險應用中公平性評估已成焦點。本研究以多項公平性指標交叉分析人臉辨識模型，檢視各指標對族群差異的衡量方式。提出公平性不一致指標FDI，發現不同指標常導致互相矛盾的偏差結論，提示單一指標報告不足以可靠判斷模型偏差。
速報
Ubuntu 與 Canonical 基礎設施遭 DDoS 癱瘓，攻擊方稱用 Beam 壓力工具
研究人員公開能提升權限的利用程式碼後，Ubuntu與Canonical多項官方網站及安全 API 遭持續阻斷。攻擊方宣稱使用名為 Beam 的壓力工具以 DDoS 方式癱瘓服務，該類 booter 服務常被當作付費癱瘓工具。多數官方頁面無法存取，但鏡像站仍能提供更新，導致官方溝通與安全指引受到限制。
速報
行動端 LLM 能耗實測：量化悖論、MoE 與 Qwen2.5-3B 的折衷
大型語言模型從雲端移向行動，電力與記憶體成為瓶頸。研究在旗艦 Android 建立可重複流程，量測耗能、延遲與生成品質；發現重要性感知量化雖能縮減記憶體占用但未顯著省電，模型架構才是電池表現關鍵，Mixture‑of‑Experts 提供低能耗下的大容量，並指向中型模型如 Qwen2.5‑3B 的實務折衷價值。
速報
Early Noise Dropping（END）：在大型語言模型中及早剔除噪訊提升效能
大型語言模型在處理長短不同的輸入時，常被無關或噪訊片段干擾，導致輸出品質下滑。研究提出Early Noise Dropping（END），不需微調模型，將輸入切分為多個片段，並在模型的早期層使用線性探測器判別哪些片段具資訊價值。END會在推理過程中及早丟棄被判定為噪訊的片段，以保留重要內容、減少注意力分散並降低計算量。
速報
大型語言模型補洞：LLM 驅動的調查回溯與未問意見預測
全國代表性調查每年問項有限，難以完整捕捉歷史變化。研究以大型語言模型結合題目、受訪者與時期的嵌入向量，進行年份級缺失意見的回溯，並嘗試預測未被詢問的意見。以1972至2021年一般社會調查資料驗證。模型能回復缺失趨勢並定位態度轉折，但對完全未問的預測仍屬有限。
速報
HEAR：基於分層超圖本體的企業推理代理
大型語言模型在異質企業系統上易出現幻覺且難以完成多跳n元推理。HEAR以分層超圖本體建構，圖層管理有溯源的資料介面，超邊層編碼n元商業規則與程序。透過證據驅動的推理迴圈，HEAR無需重新訓練模型即能協調本體工具並達到高準確度。在供應鏈評測顯示最高94.7%準確度，且能降低代幣成本。
速報
MARS：具預算感知與反思搜尋的模組化自動化人工智慧研究代理
自動化人工智慧研究長期被複雜的機器學習工程（MLE）任務困住，因為訓練評估成本高且成效難以歸因。論文提出 MARS（Modular Agent with Reflective Search），以三大支柱回應這些挑戰：透過成本受限的蒙地卡羅樹搜尋實作預算感知規劃，明確在效能與執行費用間取捨；