深度分析
統一幾何空間「Brain-like Space」：量化 Transformer 模型與人腦功能網路的相似度
本研究提出「Brain‑like Space」統一幾何空間，將 Transformer 注意力拓撲映射到七大功能性腦網路，無論視覺、語言或多模態皆可比較。結果顯示，預訓練目標與位置編碼影響模型的腦相似度，語言模型普遍更接近大腦結構。此框架為跨模態智慧評估提供新基礎。
深度分析
本研究提出「Brain‑like Space」統一幾何空間，將 Transformer 注意力拓撲映射到七大功能性腦網路，無論視覺、語言或多模態皆可比較。結果顯示，預訓練目標與位置編碼影響模型的腦相似度，語言模型普遍更接近大腦結構。此框架為跨模態智慧評估提供新基礎。
深度分析
研究以射頻資料訓練物理驅動基礎模型，透過傅立葉與對稱損失嵌入物理原則，實現零微調跨模態轉移，平均正確率達84.5%，顯示物理與語意任務的明顯分界。同時比較了與OCLGen搜索演算法及Config企業級機器人資料平台的差異，指出物理驅動模型在資源效率與跨領域適應性上具潛在優勢。