速報
LLM Brain Rot 假說：垃圾社群文本讓大型語言模型能力下滑
一組研究提出「LLM Brain Rot 假說」，指出持續暴露於社群平台的低質文本會造成大型語言模型（LLM）持續且難以完全回復的認知衰退。研究以真實 Twitter/X 語料做對照實驗，透過兩種操作化指標（M1：互動熱度、M2：語意品質）構造「垃圾」與反向控制語料，並在相同 token 規模與訓練流程下比較效果。
速報
速報
Human Label Variation (HLV)：把人類多元標註還給模型
Human Label Variation（HLV）指標註者之間合情合理的分歧，反映人類觀點多樣性而非錯誤。作者主張HLV應作為有價值的信號納入模型訓練與評估，特別在大型語言模型與以人類回饋為基礎的對齊流程中愈發重要。論文指出現有偏好學習資料集常把多重標註壓平為單一標籤，這會抹去不同立場與判斷。
速報
OpenAI 推出 GPT-5.5：更高效、擅長程式與跨工具協作的新版模型
OpenAI推出GPT-5.5，宣稱模型在撰寫與除錯程式、跨工具協作與資料處理上更高效，Codex下可用較少字元完成任務，並強化安全控管，將分階段推送給付費與企業客戶。此舉發生在雙方就企業市場與程式碼工具加速競爭之際。發布時機也接近公司高層相關法律程序展開前夕。
速報
Neurips2025：面向聯邦學習公平性的數據集與基準框架
ArXiv發表Neurips2025數據集與基準草案，聚焦聯邦學習中的公平性與客戶端差異。採用Income與Employment作為基底，規定客戶端資料生成策略、是否包含敏感屬性與跨裝置/跨筏的客戶分配。評估採多種公平性指標並輸出客戶端與全域模型統計結果，便於比較與複現。
速報
SAT 編碼攻克優先知識庫：Pareto 與 Completion 最佳修復實作與評測
研究聚焦於帶有優先關係的知識庫，在資料存在矛盾時如何容忍不一致並正確回應查詢。作者比較三種既有語義（AR、IAR、brave），並以 Pareto 與 completion 兩種最佳修復概念為基礎，指出查詢判定於資料複雜度下屬於（co）NP 完全。
速報
Onyx：為 SSD 上的隱匿式近似最近鄰檢索大幅降成本與延遲
近似最近鄰（ANN）搜尋在受信任執行環境（TEE）與第三方 SSD 上運行時，磁碟存取行為會洩漏查詢，傳統以 ORAM 隱匿存取雖可保護隱私，卻造成高成本與延遲。Onyx 顛倒既有設計策略：將帶寬節約責任交給 ANN 層，並讓 ORAM 盡量降低存取次數。
速報
AgentLens：以自適應視覺模態優化行動 GUI 代理人
行動GUI代理能直接操作App介面自動化任務，卻缺少執行中與使用者的視覺溝通標準。AgentLens提出三種自適應視覺模態：Full UI、Partial UI與GenUI，並以Virtual Display允許背景執行同時選擇性覆蓋，視覺呈現會依任務調整。研究透過形成性研究與受控實驗驗證適配效果；實驗顯示85.7%受測者偏好AgentLens並獲最高可用性評分。
速報
LLMVD.js：以大語言模型代理確認 Node.js 污點型漏洞
Node.js 生態包含大量套件，動態語言特性和複雜相依鏈讓傳統程式分析難以偵測污點式漏洞。研究提出 LLMVD.js，一套以大語言模型為核心、多階段代理的流程：掃描程式碼、提出漏洞假設、生成概念驗證（PoC），並以輕量執行或探針驗證利用。
速報
研究：監控業者濫用 SS7 與 Diameter 漏洞追蹤手機位置
資安研究機構 Citizen Lab 揭露兩起監控行動，指出監控供應商利用全球電信基礎設施已知弱點，透過電信業者查詢手機定位。攻擊手法包括濫用老舊的 SS7 訊令協定與在 4G/5G 使用的 Diameter 協定未完全落實的防護，甚至利用「幽靈公司」假冒合法業者取得網路中繼或查詢權限。
速報
微軟推出 Copilot Agent Mode：在 Word、Excel、PowerPoint 推出更強的「vibe working」體驗
微軟在 Office 應用導入 Agent Mode，定位為升級版 Copilot；它透過側欄實時顯示每步操作，能在試算表直接編輯公式或在簡報更新內容並保留樣式；這項改變將成為 Microsoft 365 Copilot 與 Premium 的預設體驗，並延伸至個人與家庭方案。
速報
本體記憶層擴充 LLM：以 RDF/OWL 知識圖譜實現持久且可驗證推理
研究提出以本體記憶層延伸大型語言模型，使用RDF/OWL結構化知識圖譜保存、驗證與推理。系統自動從文件、API與對話抽取實體與關係，產生三元組並用SHACL/OWL檢驗。實驗在多步規劃任務上提升推理可靠性，並將生成轉為產生—驗證—修正流程可追溯。
速報
大型語言模型研究：面對被說服投資者仍維持詐騙警示
本研究測試大型語言模型面對已被說服的投資者時，是否會削弱詐騙警示。以七款主流LLM和十二種投資情境，進行3360次AI諮詢並比較1201名人類基準。結果顯示，動機性框架未降低AI警示；LLM在樣本中未支持詐騙，人類顧問在壓力下則較常抑制警示。整體而言，AI警示較人類一致穩定。