深度分析
STARFISH 以內部狀態對齊提升高稀疏度剪枝神經網路精度
隨著模型規模不斷膨脹，剪枝成為降低記憶體與運算成本的關鍵技術。研究提出STARFISH方法，利用少量未標記影像校正集，使剪枝後的網路內部表示與原始模型對齊，從而恢復精度。實驗顯示，在75%權重被剪除的情況下，STARFISH只需0.4%訓練影像即可恢復原始模型82%的準確率，遠超其他方法。
深度分析
深度分析
「MViewRouter」以多視圖交替注意力與集合策略梯度提升組合路徑規劃效能
組合路徑規劃如 TSP、CVRP 受平面對稱影響。MViewRouter 以多視圖交替注意力與集合梯度內化 D4 對稱，讓決策具不變性。實驗證明在標準與實務基準上均達到競爭解品質與零樣本泛化，且較傳統測試時增強更穩定。預期此幾何等變性框架可擴展至 3D 約束路徑與其他車輛調度問題。
深度分析
DART：測試時訓練的零資源密集檢索重排序方法
在缺乏標註資料的資訊檢索情境下，研究提出測試時訓練（Test‑Time Training）方法DART，利用密集檢索產生的前幾名文件作為偽正例、後幾名作為偽負例，於推論時即時調整雙線性得分矩陣。實驗在六個BEIR基準上顯示，DART在保持每查詢低於10毫秒額外延遲的情況下，平均提升NDCG@10約2.1%。
深度分析
Qwen3.7-Plus 亮相：支援影像與影片的多模態 AI，成本降低 60% 並採封閉商業授權
阿里巴巴本週推出Qwen3.7-Plus，具備百萬級上下文視窗與多模態輸入，支援文字、影像與影片，同時引入preserve_thinking參數保持推理連貫性。相較於前代僅文字的Qwen3.7-Max，成本降低約60%，在多模態與終端基準測試中超越多家美國商業模型。此授權模式引發開源與合規討論。
深度分析
Starlette 框架 BadHost 漏洞解析：影響 FastAPI、vLLM 等 AI 代理人服務
Starlette為PythonAI服務常用框架，近期發現BadHost漏洞允許攻擊者在HTTPHost標頭注入字符，繞過路由授權。此缺陷波及FastAPI、vLLM、LiteLLM等上千套工具，導致憑證與敏感資料外洩風險升高。CVE-2026-48710編號，嚴重度7分。
深度分析
探討 Mamba‑2 Δ‑gate 的狀態沉澱：單桶與雙專家頭的機制差異
研究指出，Mamba‑2模型的狀態沉澱在邊界字元上呈現過度門控，單一探針僅捕捉執行層，卻漏掉比例更大的偵測層。兩層在表徵相似度上相近，但功能上差異顯著，刪除偵測頭會導致檢索表現崩潰。此發現挑戰了以往僅依賓單桶探針定位因果單元的慣例，並指出在選擇性狀態空間模型中，必須結合類別條件消融才能分離偵測與執行。
深度分析
「GenPT」生成式投射測驗：提升大型語言模型心理測量的抗汙染與偏差能力
隨著大型語言模型被廣泛用於人格化聊天機器人，傳統自陳問卷因訓練資料污染與社會期望偏差而失效。研究提出GenPT以全新生成的投射測驗取代問卷，三階段流程能在抗汙染與減少方向性偏差上表現更佳，且在長期諮詢情境中對抑鬱評估的變化更為顯著，此結果顯示投射測驗在AI心理測量領域的潛力。
深度分析
QTAML 與 TAC：利用 WKB 量子穿隧模型降低 ECC 成本的硬體‑軟體共同設計
晶體管門氧化層變薄致量子穿隧位元翻轉，傳統電路可靠性受限。研究提出量子穿隧感知機器學習（QTAML）與穿隧感知補償（TAC），利用WKB推導錯誤分布，結合均值校正與層級位元保護。實驗於CNN與Transformer顯示，TAC在保持95%乾淨精度下，將ECC開銷降至原先3.4至33.6倍。
深度分析
WaveFilter：利用離散小波轉換提升擴散模型長上下文 KV 快取效能
WaveFilter以小波轉換改良擴散語言模型的KV快取，結合粗粒度語意概覽與多尺度遞迴篩選，顯著降低長序列計算成本，同時提升生成品質與效能，為長上下文任務提供更實用的解決方案。結合Fast‑dLLM後，WaveFilter在LongBench基準提升2%準確率，且吞吐量近，降低長上下文部署門檻。
深度分析
位元受限優化與高斯均值估計的資訊理論下界分析
隨著低位元梯度訓練在大型語言模型中成為主流，研究者探討在B位元量化的隨機一階預言機下，優化問題可等價於壓縮高斯均值估計，證明T·B=Ω(d)與T=Ω(σ²d/ε²)的資訊理論下界，並在八個POMDP環境驗證相變現象，顯示傳輸率可降低至傳統上限的1/19，為未來AI系統的位元效率提供基礎。
深度分析
結合步驟同儕優勢與多樣性探索獎勵的 SPADER 框架在多答案問答中的效能提升
隨著大型語言模型被廣泛用於工具增強代理，對於需要多答案的資訊查詢提出了長程搜尋與探索的挑戰。研究提出 SPADER 框架，結合步驟同儕優勢的無評論員信用分配與多樣性導向的探索獎勵，促使代理持續發掘長尾實體。實驗顯示在四大多答案 QA 基準上，召回率與 F1 均優於既有方法。
深度分析
Perplexity AI於Computex 2026發表混合本地‑雲端推論編排器
Perplexity AI於Computex 2026推出首款混合本地‑雲端推論編排器，系統可即時判斷每項AI子任務在使用者裝置或前沿雲模型執行，保障金融與醫療等敏感資料留在本機，同時將高階推理交由雲端完成，降低成本並提升回應速度，預示AI運算與資料主權的未來走向。