深度分析
Conditional Attribute Transformers（CAT）：在自回歸模型中進行逐詞序列屬性估計與導向生成
生成模型常以下一詞預測為訓練目標但難以估計或控制序列層級屬性。本文提出Conditional Attribute Transformers，在單次前向同時估計下一詞與基於候選詞的序列屬性，支援逐詞歸因、反事實分析與屬性導向解碼；實驗顯示在稀疏回饋及屬性預測任務中提升效能並加速估計。
深度分析
生成模型常以下一詞預測為訓練目標但難以估計或控制序列層級屬性。本文提出Conditional Attribute Transformers，在單次前向同時估計下一詞與基於候選詞的序列屬性，支援逐詞歸因、反事實分析與屬性導向解碼；實驗顯示在稀疏回饋及屬性預測任務中提升效能並加速估計。
深度分析
在專案級單元測試自動化上，現有以執行路徑驅動的 LLM 方法常因跨類依賴、深層呼叫鏈與物件初始化複雜而失靈。本文改寫的研究提出 CAT（一種呼叫鏈感知的 LLM 測試生成法），透過靜態分析抽取呼叫鏈、建構函式與第三方依賴，將這些上下文明確注入 prompt，並以產生與修復雙階段迭代流程產出可執行測試。