深度分析
Microsoft Execution Containers (MXC)：Windows 作業系統層級 AI 代理人沙盒
微軟在 Build 大會推出 MXC，將 AI 代理人執行層以作業系統核心管控，透過政策宣告與沙盒隔離限制存取，讓企業可在 Windows 上安全部署自動化代理，降低攻擊面並提供可稽核身份。同時整合 Defender、Entra、Intune 與 Purview，形成企業控制平面，預計將加速 AI 代理人在企業環境的實務應用，改寫安全治理格局。
深度分析
深度分析
Microsoft IQ 結合 Rayfin：統一情境層解決 AI 代理人資料治理問題
企業在導入 AI 代理人時常因缺乏共享情境層而產生資料孤島。微軟推出 Microsoft IQ，整合四大情境來源，並配合開源 Rayfin SDK 將代理建構的應用直接部署至 Fabric，確保資料回流同一平台，提升治理與可信度。此舉預示 AI 代理人將以統一情境為基礎，重塑資料治理與應用部署模式。
深度分析
Microsoft Project Solara：以 Android 為底層的 AI 代理人作業系統概覽
Microsoft在Build2026公布ProjectSolara，採用Android作為底層的AI代理人作業系統，展示桌面概念機與胸牌式穿戴裝置，雖不會自行出貨，卻提供給硬體夥伴作為參考設計，預期推動AI裝置市場多元化，並挑戰傳統Windows版圖。
深度分析
Zamba2‑VL：混合狀態空間與 Transformer 架構在視覺語言任務的效能突破
隨著多模態模型成為視覺語言介面的核心，Zamba2‑VL 以混合 Mamba2 與少量 Transformer 區塊構成，結合線性時間預填與固定大小狀態，於 1.2B、2.7B、7B 參數規模上，效能與 Molmo2、Qwen3‑VL 等同階模型相當，且在推論速度上快上數十倍。
深度分析
「SUPREME」：支援多 GPU 的機器去學習影像分類評估框架概述
機器去學習旨在不重新訓練模型即刪除特定訓練資料影響。研究推出 SUPREME 框架，支援多 GPU 分散訓練、去學習與評估，並以 Pins 臉部辨識資料集測試十種種子。結果顯示跨種子變異顯著，此框架採用 PyTorch Lightning Fabric，兼容 DDP、FSDP 與 DeepSpeed ZeRO，提升評估效率。
深度分析
WEINCE：結合 Weibull 極值理論校正 InfoNCE 的硬負樣本處理
InfoNCE 作為對比學習的核心目標，長期以 softmax 形式實作，隱含一種對最高相似度樣本的分布假設。研究指出，當嵌入向量正規化後，硬負樣本的相似度分布趨向有上限，與 Gumbel（softmax）假設不相容。
深度分析
雙路注意力超網路實現零樣本互資訊估算：InfoAtlas 技術解析
統計依賴性是資料科學核心，InfoAtlas以預訓練雙路注意力超網路在單次前向即估算多變量互資訊，較傳統神經估計器快百倍且精度相當，已在合成基準與真實應用如獨立性測試、CLIP內嵌分析等驗證其效能。此外InfoAtlas透過切片互資訊處理高維資料，支援變動維度與樣本量，提供即時依賴分析的基礎。
深度分析
對抗式圖案對航空載具偵測的實體威脅：從 YOLOv3 數位優化到實地驗證
本研究針對航空載具偵測器，開發可列印的對抗式圖案，透過數位優化後實體部署，驗證不同配置的攻擊效能與環境魯棒性，結果顯示放置於車頂的圖案在實地最具破壞力。此外，加入天氣擾動的增強並未提升攻擊成功率，適度的總變差正則化才能兼顧列印可行與對抗效力。
深度分析
重正化群映射全連接深度神經網路訓練過程：理論與可解釋性分析
本研究探討全連接深度神經網路的可解釋性，將其訓練過程等同於統計物理的重正化群，針對指數族連續分布進行推導，證明最佳化後的特徵層參數即為RG固定點，此結果不僅驗證了先前在一維Ising模型上的等價性，也為未來將RG概念應用於更複雜的實際資料提供理論基礎。
深度分析
PLM‑NIDS：利用 RWKV 語言模型實現加密流量入侵偵測新突破
傳統DPI無法檢測TLS1.3與QUIC加密流量，研究以RWKV狀態空間模型將L3/L4封包元資料視為語言語法，透過無標籤預訓練與異常感測，達到0.93PR‑AUC的攻擊偵測，且能即時逐封包處理，對加密協議保持中立。此技術展示了預訓練模型在資安領域的潛力，並挑戰傳統簽名式入侵偵測的既定框架。
深度分析
StemBind：揭示多模態大型語言模型在抽象視覺推理中的規則綁定缺口
隨著多模態大型語言模型在抽象視覺推理上展現出「規則正確但答案錯」的現象，研究者推出StemBind診斷基準，透過同一視覺題幹的感知、規則與完整三題測試，發現超過半數模型在規則綁定步驟失敗，規模與思考模式亦未能改善。此結果顯示當前模型仍缺乏將抽象規則映射至具體選項的能力，呼籲未來研究聚焦於規則綁定機制與更精細的評估。
深度分析
CaB：利用 Boundary‑Phase Tokens 提升視覺語言動作代理的切換與控制
VLA代理在短指令序列切換時易出錯，研究提出Completion at the Boundary（CaB）模型，利用Before/Hit/After三階段標記形成雙向BPT後驗分布，同時提供when切換介面與how控制條件。Minecraft測試顯示CaB提升複合任務成功率與交接品質。