速報
LoRA 適配器後門：詞元層級泛化與可執行的供應鏈偵測
研究發現LoRA適配器可透過訓練資料中毒植入後門，維持原本任務表現。攻擊以特定觸發詞為錨，泛化屬於詞元層級而非結構化引文。作者提出兩條檢測途徑：一是基於probe電池的行為統計量化異常，二是權重層級的標準差指標，兩者對供應鏈掃描具實務應用價值。
速報
速報
TGL（Temporal-Graph-Learning）：以時序圖取代逐事件呼叫LLM的主動代理觸發方案
研究發現主動代理把使用者活動序列轉為文字逐一詢問大型語言模型成本高。文中改以時序圖更新，提出Temporal-Graph-Learning(TGL)編碼器，對每事件預測觸發機率與實體路由，僅在觸發時才呼叫LLM；在14個基線平均F1提升16.7且延遲與記憶體可在裝置部署。
速報
混合式多代理 AI 推理：在大型語言模型與小型語言模型間尋求成本、效能與耗能平衡
面對雲端大型語言模型與可離線部署的小型模型的取捨，研究把混合式多代理系統當作中間解。論文將兩種代表性系統改為支援雲端與裝置協作，分析成本、耗能與效能的權衡，發現小型模型可從大型模型協助中獲利，但最佳架構高度依賴任務，更多算力未必帶來更好結果。這為邊緣與雲端協同的設計提供實證洞見。
速報
LLM 自動滲透測試一致性實測：400 次對同一易受攻擊目標的比較
本研究對大型語言模型（LLM）發起的大規模自動滲透測試進行實證分析：在相同蜜罐環境（包含 OWASP Juice Shop 與兩個其他易受攻擊服務）上，對 4 款模型各執行 100 次、共 400 次試驗。實驗固定提示、協調器與目標，衡量模型在重複試驗下的攻擊一致性、失敗模式與首次成功時間。
速報
Query2Effect：用大型語言模型預測因果效果的新基準
隨機對照試驗成本高昂，研究嘗試從既有實驗預測因果效果。Query2Effect 構建超過72000條自然語言查詢，並以兩步法先生成結構化表示再用監督編碼器預測效果。研究比較出廠即用的大型語言模型與微調模型，結果顯示微調能顯著降低誤差並提升領域外泛化能力。
速報
VLA-Pro：以程序記憶與LoRA提升視覺語言行動模型跨任務泛化
視覺語言行動模型仍難跨任務泛化。VLA-Pro在訓練時以任務專屬LoRA適配器當作程序記憶儲存，推論時根據多模態情境檢索並融合相關記憶以產生動作。實驗於RoboTwin、RLBench與實機測試顯著提升泛化，模擬相對改善達207%，實機成功率從5.8%升至65.0%。
速報
生成式人工智慧引發自代表訴訟上升：聯邦民事文本與結果的變化
研究分析生成式人工智慧普及後美國聯邦民事訴訟，透過約280萬筆訴狀與文體指標偵測AI式草擬。結果顯示自代表原告比率自11.33%升至16.94%，且13.9%非格式訴狀出現AI一致性跡象，這類訴狀引用較多但更易被駁回或程序早期終結。並衍生司法可近性與法院過濾負擔的討論。
速報
柏拉圖表示假說與線性表示：從訊號、偏差到雜訊看人工智慧表徵對齊
研究檢驗柏拉圖表示假說，分析現代人工智慧表徵來源。採訊號、偏差、雜訊三分框架，並以線性表示假說與稀疏自編碼器抽取物件—屬性線性特徵，比較稀疏與稠密表示的跨模態對齊。結果顯示中心化與正規化能改善模型偏差，資料稀少會提升表示雜訊。有助於解釋不同架構下表示對齊現象。
速報
個人化人工智慧代理的選擇性問答：多來源記憶與衝突解析基準發布
隨著個人化人工智慧代理採用持久化、多來源記憶，系統必須在互相衝突或不完整的證據間選擇或放棄回答。研究提出一套選擇性問答基準，包含18種題型、8類推理、480個人物設定、4個亂數種子與34,560個實例，並在來源上加入可控扭曲以建立確定性標註。
速報
語意檢查點與情境Bandit：保障多代理科學計算因果一致性的決策框架
科學計算自動化不只要產生可執行程式，還要確保決策可追溯與結果一致。本文提出結合情境Bandit、結構化代理間通訊與語意檢查點的多代理框架，以維持動作到結果的因果連貫。實驗以敏感度分析與不確定度量測為例，顯示框架能改善收斂與魯棒性，降低語意漂移對策略學習的破壞。
速報
DeFi 自主投資代理透視：ElizaOS 與 Virtuals Protocol 架構速覽
研究調查逾1,900個標註人工智慧的加密專案，聚焦投資型自主代理並挑選10個代表案，深入分析ElizaOS與Virtuals Protocol兩套框架，並量化11個Solana金庫的鏈上表現，涵蓋925,323名代幣持有者。
速報
BEAMS倡議：以 sd ai 開源框架建立可解釋的建模與模擬基準
面向真實決策的AI工具必須能建立可解釋的模擬模型並支援人類專業互補。BEAMS倡議以開放數位與組織基礎設施協作評估建模與模擬工具。評估實作多項自動化測試含因果轉譯、模型迭代、因果推理、合規、模型行為說明與建模建議。結果顯示此類工具在討論與定性任務表現優於因果推理與定量錯誤修正。