深度分析
Liquid AI 發布 LFM2.5-230M：230M 參數的邊緣資料抽取模型，支援 32K 令牌本地執行
Liquid AI 推出 2.3 億參數 LFM2.5-230M，採用 LFM2 結合短距離卷積與分組注意力，提供 32K 上下文與低記憶體需求，於資料抽取基準上超越 800 百萬至 1 億參數模型，適合手機、機器人等邊緣部署，且在資源受限設備上仍能保持每秒數十 token 的解碼速度。
資料抽取
速報
DTBench：首個具能力感知的文件轉表格合成基準
研究團隊提出 DTBench，一套以逆向 Table2Doc 流程自動生成文件的合成基準，針對文件轉表格（Doc2Table）任務建立兩層能力分類，涵蓋 5 大類 13 小類。實驗顯示主流大型語言模型在推理、忠實度與衝突解決上仍有明顯差距，凸顯此領域的挑戰與研究空間。
深度分析
Compass：以Knowledge Tree驅動的LLM代理進行海洋鉛（Pb）資料抽取與整合
為解決海洋鉛(Pb)資料散落於論文的資料孤島，研究提出Compass框架，將專家知識以KnowledgeTree注入LLM代理，分解為蒐集、抽取、聚合三階段並內建多重驗證。部署於230,000篇公開論文，回收3,751筆新增記錄，擴大東海與南大洋覆蓋。
深度分析
Paper2Data 與 UrbanDataMiner：以大型語言模型（LLM）自動抽取並結構化城市資料集
城市研究長期面臨資料分散、描述不一致與檢索困難的問題。Paper2Data 利用大型語言模型自動辨識論文內的資料集提及，並以統一的城市資料元資料模式抽取與標準化欄位，進而建構 UrbanDataMiner 這套公開的資料索引門戶。