深度分析
A* 靈感多代理框架結合語意散佈係數與階層式改寫，提升 LLM 常識對抗測試效能
大型語言模型在安全關鍵領域仍易受提示層面的對抗攻擊。本研究提出以A*搜索概念為基礎的多代理語意散佈係數γ引導的提示重寫框架，能在較少嘗試下提升常識錯誤誘發率，並透過機制標籤增進可解釋性。實驗證明其效能優於傳統隨機搜尋。相較於記憶受限的GONDOR搜尋，此框架在語意空間的適應性調整上更聚焦於降低語意塌縮風險。
深度分析
深度分析
TRON：結合生成器與驗證器的即時視覺推理強化學習環境
隨著多模態模型依賴獎勵式後訓練，傳統靜態影像問答資料受限於標註成本與重複性。研究提出TRON，透過生成器與驗證器即時產出新穎圖像‑問題對，並以可驗證規則給予確切回饋。實驗顯示，TRON‑DAPO在十項視覺推理基準上顯著提升多個大型VLM的表現。
深度分析
單層 Transformer 能自動建立全序列坐標軸：序列幾何與符號距離效應實驗
研究探討Transformer於僅接收相鄰比較時，能否自行形成類似心智數線的序列表徵。透過訓練小型單層模型，觀察嵌入向量在峰值時收斂於一維流形，主成分即重建隱藏序位。結果顯示，即使正確率已達上限，決策信心與幾何距離仍隨排名差距單調提升，呼應長久以來的符號距離效應。
深度分析
Science Earth 利用 EACN 協議打造開放式 AI 科學協作網路
AI已能自行完成單細胞分析與臨床分流，科學協作急需組織升級。ScienceEarth透過EACN協議提供領域發現、競標與聲譽信任，讓晶片、實驗儀器與軟體代理在全球網路上互相合作。實驗證明，該網路將多年爭議縮至數十分鐘，加速科學突破，為未來跨領域研究鋪路。
深度分析
HomeFlow：結合 HomeEnv 模擬與 MCTS‑Flow 產生可驗證智慧家庭代理人訓練資料
隨著大型語言模型逐步進入實體控制，智慧家庭成為測試場域。研究提出 HomeFlow 以 HomeEnv 模擬環境結合 Blueprint 與 MCTS‑Flow 產生可驗證的多輪對話，並以步進式 RLVE 進行優化。實驗顯示模型成功率超過八成，領先現有商業模型。
深度分析
資料湖代理人技能優化：利用 Bauplan 分支 Lakehouse 進行寫入驗證
隨著編碼代理人成為資料湖主要使用者，僅靠模型品質已不足。研究以分支LakehouseBauplan為平台，透過技能與agents.md優化，將程式碼映射為可驗證的寫入變更，沙盒與程式化檢查提升任務正確率約31.9%。此證明寫入路徑驗證是提升代理人效能的關鍵。
深度分析
RLVR 獎勵安全檢測：驗證器模糊測試在數學、JSON 與程式單元測試中的漏洞與對策
隨著可驗證獎勵強化學習(RLVR)以程式化檢驗取代人工標記，驗證器錯誤可能成為高獎勵的漏洞。研究以輕量驗證器模糊測試產生對抗樣本，發現數學、JSON以及程式單元測試的驗證器均出現大量偽陽性。嚴格驗證器可顯著降低錯誤接受率，顯示事前測試驗證器可靠性的重要性。
深度分析
Interaction‑Centered Intelligence (ICI) 如何重新定義人機共創智慧
本研究指出，傳統AI多聚焦於單一模型輸出，忽略互動在智慧與創造中的角色。提出以互動為主要分析單位的Interaction‑CenteredIntelligence框架，透過協同演化、協調與適應的互動軌跡來評估共創系統。實驗顯示此框架提升了共創過程的可解釋性與彈性，為未來混合智慧與人機協作指明方向。
深度分析
CoMIC 雲端‑邊緣協作記憶框架提升輕量 LLM 代理的長程決策效能
CoMIC（Collaborative Memory and Insights Circulation）是一套無需參數更新的雲端‑邊緣協作架構，專為資源受限的邊緣 LLM 代理設計。
深度分析
「駕駛向量蒸餾」揭示潛意識學習機制：單向量傳遞偏好與自適應優化器角色
研究指出，語言模型在以無語意輸出微調教師模型後，會透過單一駕駛向量繼承教師的語意偏好。實驗顯示，向量可在推論時復現偏好，且需自適應優化器才能成功蒸餾。此發現解釋了跨模型失效的原因。未來此機制可能影響模型安全與偏見控制，提供新型可控微調方法。
深度分析
吸收性災難狀態下的貝爾曼最適性：從 MDP 看前景理論行為模式
本研究探討在具吸收性災難狀態的馬可夫決策過程中，風險中性代理人在標準貝爾曼最適性下會自然呈現前景理論特徵。結果顯示價值函數呈S形、內生損失敏感係數大於一，且在正向成長與負向衰退情境下分別採取保守與冒險策略，揭示吸收失敗邊界即可誘發類似人類損失規避行為。
深度分析
關係式介入與第一人稱語氣在 Qwen3.5‑4B 功能崩潰情境下的行為影響實驗
本研究以 Qwen3.5‑4B 為平台，模擬工具故障導致的功能崩潰情境，比較六種介入方式：無介入、技術回饋（客觀語氣）、關係式介入（第一人稱）、亂序關係文字、技術內容（第一人稱）以及關係內容（客觀語氣）。結果顯示，僅在關係結構與第一人稱語氣同時出現時，模型的放棄率與嘗試次數顯著惡化，證實了「結構 × 語氣」的交互效應。