深度分析
DaoQL 顯式世界模型：資料優先本體論如何破解 LLM 四大結構危機
大型語言模型（LLM）將世界模型隱式編碼於神經網路權重中，導致幻覺、知識凍結、可解釋性差與難以局部修改等結構性缺陷。本研究提出「資料優先本體論」，將確定性知識移入名為 DaoQL 的顯式多模態資料庫，LLM 僅作為推理與語言引擎。
反事實推理
深度分析
事件圖基底：以事件日誌與確定性重播實現可檢視的反事實推理
本文報導一種稱為「事件圖基底」（event-graph substrate）的世界模型架構：以可追加的類型化 RDF 事件日誌作為記憶，透過在選定時刻對日誌分岔並套用結構化介入詞彙進行確定性重播，來回答反事實（counterfactual）查詢。
深度分析
結合反事實推理與語法約束 LLM 的安全規則精練框架
隨著自動駕駛系統的運作環境持續變化，原有安全規則常出現與模擬結果不符的情形。研究提出結合反事實推理與語法約束的大型語言模型迴路，能在保持文法正確的前提下，最小化調整規則，使其與觀測行為對齊。實驗顯示，此方法成功修正基線遺留的矛盾規則，提升一致性與可解釋性。