深度分析
Anthropic Claude 提示注入測試顯示 31.5% 原始成功率與防護後 0.5%：業界安全基線解析
Anthropic公布Claude在瀏覽器環境的提示注入成功率31.5%，但啟用防護後降至0.5%；相較於OpenAI、Google、Meta缺乏同類數據，凸顯業界缺乏統一測量標準，企業需自行評估與測試。文章同時比較四大廠商的測試範圍與公開深度，並提出實務建議。
深度分析
深度分析
SHIELD：結合超網路與區間算術的持續學習防禦架構
傳統深度模型在持續學習時常出現遺忘問題，同時對抗式擾動也能輕易改變預測，兩者缺一不可的防護需求長期未被同時解決。研究者提出 SHIELD，利用超網路產生任務專屬的權重向量，並將目標模型的輸入以區間形式傳遞，藉由區間立方體保證在指定範圍內的所有樣本皆得到相同預測，從而同時抑制遺忘與提升對抗魯棒性。
深度分析
追蹤 AI 責任歸屬：新框架將模型行為可溯源至訓練階段
現代 AI 模型經歷多階段訓練，導致其最終行為難以溯源。研究團隊提出責任歸屬框架，利用潛在結果形式化定義反事實問題，並透過一階近似估計量量化各階段影響，無需重新訓練即可分析。實驗證明此方法能精準識別導致偽相關或性能下降的訓練階段，為 AI 模型的除錯與審計提供關鍵技術支持。
深度分析
EmCei：從模型內部抽取文化說明，提升 LLM 多語言表現
大型語言模型因英語為主的訓練資料，在非英語查詢上表現下降。研究提出EmCei，先抽取文化說明再以LLM‑as‑Judge挑選回應，提升多語言正確率，尤其在低資源語言上提升逾30%。實驗在四個多語言測試集上顯示，平均提升16.4%，低資源語言提升逾30%，且兼容多種主流模型。
深度分析
Neuro‑Symbolic Recursive Self‑Alignment：結合符號驗證提升遞迴自我提升效能
本研究針對遞迴自我提升的遞歸漂移問題，提出Neuro‑SymbolicRecursiveSelf‑Alignment（NSRSA）框架，於每一步推理以sympy進行算術與邏輯驗證。實驗顯示在GSM8K上五輪自訓練後正確率從80.5%提升至91%，顯著優於僅檢查最終答案的方式。
深度分析
「AlphaEvolve」揭示大型語言模型與人類在迭代石頭剪刀布中的策略差異
研究利用AlphaEvolve從迭代石頭剪刀布資料自動發掘可解釋程式模型，對比人類與大型語言模型的策略行為。結果顯示先進LLM能更快辨識並利用對手模式，勝率顯著高於人類，同時揭示其對手模型更複雜，而較小模型在長序列推理上表現退步。此發現對未來LLM作為決策輔助工具的安全與效能評估具有重要意義。
深度分析
元認知調節驅動的 MedCoG：提升大型語言模型在醫療推理的效能與成本效益
醫療推理受限於大型語言模型的推理規模法則，研究提出MedCoG透過元認知自評，動態調度程序、情境與事實知識。實驗在五大醫學基準上達到5.5倍推理密度，成本下降，同時顯示接近理想Oracle上限，預示未來AI醫療助理將更具效率與可信度，並為臨床決策提供更可靠的參考依據。
深度分析
幾何 OOD 應用於大型語言模型的幻覺偵測：NCI 與 fDBD 無訓練方法評估
隨著大型語言模型應用擴大，幻覺問題成安全瓶頸。研究將異常樣本偵測的幾何方法套用於單一回應，提出NCI與fDBD兩種無需訓練的偵測器，於推理任務上取得顯著提升。此方法顯示將異常樣本檢測框架延伸至語言模型，可為未來安全機制提供可擴展基礎。研究亦指出在大模型與多步推理情境中仍保有低計算負擔。
深度分析
RayDer 單一 Transformer 打造自監督新視角合成 大規模影片訓練突破
RayDer以單一Transformer統合相機估計、場景重建與渲染，並以最小動態狀態作為擾動因子，使自監督新視角合成在無限制影片上穩定訓練。實驗證明在資料與算力上呈現冪律擴展，零樣本表現可與最先進的有監督模型相當。此概念類似於RecoverabilityMaps在城市感測器用途評估中簡化與風險量化。
深度分析
結合 CharCNN 與 CodeBERT 的三類憑證偵測框架：提升跨語言精準度與降低誤報
隨著公開Git儲存庫憑證外洩持續升高，研究提出結合字符卷積與CodeBERT語意編碼的三類偵測模型，能區分真實憑證、佔位字串與無危害代碼，測試顯示召回率93%、精確度89%，且高危警報減少33%。資料集涵蓋10種程式語言共9426筆手動標註樣本，模型在跨語言留一測試中8語言F1超過0.80，Matthews相關係數達0.86。
深度分析
掩蔽擴散語言模型、λ‑scaled 結構解碼與 Graph‑LLaDA 提升圖到文字生成效能
本研究聚焦於圖到文字生成，探討掩蔽擴散語言模型的解碼軌跡。發現模型會先生成實體，再填入關係與功能詞，最後處理標點。針對監督微調導致的結構標記過早產生，提出λ‑scaled結構解碼，將BLEU‑4提升逾9分。此外，結合圖轉換器的Graph‑LLaDA在跨資料集測試中顯著超越傳統基線。
深度分析
以 I/O 為導向的 GPU 核心優化：加速圖神經網路的 SpMM、聚合與注意力層
隨著圖神經網路在推薦與詐欺偵測等領域的應用擴大，記憶體存取瓶頸限制效能。研究者以I/O與算術強度為核心，將常見層分為SpMM、聚合與注意力三類，開發減少資料移動的GPU核心。實驗顯示注意力層最高可提速8.5倍，記憶體需求降低至6倍。聚合層可達10倍加速，SpMM層在快取優化下提升至8倍，圖重排僅對高階節點密集情境有顯著效益。