深度分析
V‑HMN：結合霍普菲爾德記憶與預測編碼的高效視覺骨幹
隨著變形金剛模型與狀態空間模型在視覺基礎模型的成功，研究者提出視覺霍普菲爾德記憶網路（V‑HMN），透過局部與全域霍普菲爾德模組實作關聯式記憶與預測編碼式迭代校正。實驗顯示V‑HMN在CIFAR、SVHN等基準上達到與主流骨幹相當的精度，同時提升解釋性與資料效率。
資料效率
深度分析
對比式推理路徑合成（CRPS）：提升資料效率與跨域泛化的高資訊對比方法
Monte Carlo 樹搜尋在自動推理中常見，但傳統只保留最高回報路徑，浪費比較訊號。本文提出對比式推理路徑合成（CRPS），透過分析高低品質軌跡差異，合成兼具成功模式與迴避失敗的推理鏈。實驗顯示 6 萬筆 CRPS 樣本即可匹配或超越 59 萬筆傳統樣本，資料規模縮減 20 倍，且在跨域測試上表現更佳。
深度分析
Webscale‑RL：自動化資料管線提升強化學習資料規模至預訓練等級
大型語言模型依賴海量文字資料訓練，導致推理與訓練間的落差。研究者開發 Webscale‑RL 管線，將預訓練文件自動轉成上百萬問答對，形成 120 萬筆、跨 9 領域的資料集。實驗證明此資料集可使 RL 訓練效能提升，達到相同表現時所需 token 數減少至原先的千分之一，為 RL 大規模化提供新方向。