深度分析
Mycelium 主動共享上下文圖：提升 AI 代理人協作與科學發現效率
研究指出，Mycelium透過主動共享上下文圖即時連結人類與AI代理人的科學資訊，提升跨領域協作效率。相較於AWS OpenSearch Serverless的即時查詢層Mycelium更能保留上下文證據溯源。實驗顯示，較單一大型模型可加速發現、降低token消耗，預期重塑企業AI代理人部署與供應商格局。
深度分析
深度分析
結合 Belnap 四值邏輯與最大熵神經網路的機率神經符號 AGI 框架
研究以 Belnap 四值型意向一階邏輯為基礎，加入機率計算與最大熵神經網路，提升機器人自我推理與不確定句子處理能力，展示了在強 AI 方向的可行性。作者亦提出全域與局部對稱轉換保護知識庫，並以 Shannon 最大熵推導機率密度，由神經網路即時產生，為未來 AI 安全與可解釋性提供新視角。
深度分析
企業 AI 代理的資料庫原生記憶體解決方案—Oracle Agent Memory 深度解析
隨著 AI 代理需要跨會話保存任務狀態，Oracle 推出以 Oracle Database 為基礎的 Agent Memory，提供從訊息擷取、摘要、篩選到語意檢索的完整生命週期管理。實驗顯示在 LongMemEval 基準上達 93.8% 正確率，且使用的 token 數僅為傳統平面歷史的十分之一，顯著提升效能與治理。
深度分析
AgentCheck：全流程 LLM 代理人故障注入、重現與修補測試平台
隨著LLM代理人廣泛部署，工具失效成為關鍵風險。AgentCheck以MCP伺服器為介面，先錄製正常回應，再注入十二種工具故障，提供可重現‑介入‑驗證的工作流程。實驗顯示最高代理人在120場景中通過105場，揭露沉默的資料品質錯誤是主要弱點，亦值得關注。
深度分析
Shippy 海事 AI 代理人：基於 OpenClaw 與 Claude Opus 的可靠與可擴充架構解析
Shippy是AI2為海事領域打造的高可靠性代理人，透過系統提示、技能檔與可配置的CLI抽象化SkylightAPI，確保答案可追溯與資料隔離。評估框架證實其在查詢與守護規則上表現穩定，將推動未來海域監控與環境平台的擴展。同時支援模型路由與跨執行緒記憶功能。
深度分析
「PRISM Edit」：透過多義向量一次性編輯大型語言模型的時間性答案
隨著知識持續變動，傳統知識編輯會在時間上產生衝突。研究提出PRISM Edit以單一多義向量結合模型內建時間調制，無需改架構即可同時正確回應現行與歷史時間。實驗顯示在TimeConflict與CounterFact上TC提升23.3點、CRS提升33.7點，且速度超過兩倍。
深度分析
RepTran：基於差分演化的 Transformer FFN 搜尋式修復方法
隨著Transformer成為AI應用核心，其錯誤會影響系統可靠性。研究提出RepTran，結合變異性神經元分數與雙向分數，透過差分演化搜尋修正FFN權重。實驗顯示平均修復率達74.7%，顯著優於現有方法。在CIFAR-100與Tiny-ImageNet測試中，最高95.2%修復率，耗時約476秒。
深度分析
Resource2Skill：以多模態資源蒸餾可執行代理技能的全新方法
本研究提出 Resource2Skill 框架，透過自動化流程將教學影片、程式碼庫、文章與參考素材等多模態人類資源萃取為可執行的技能，並以階層式 Skill Wiki 組織。技能條目結合結構化文字、可執行程式碼與視覺範例，讓大型語言模型在執行軟體創作任務時能即時檢索、組合與補足缺口。
深度分析
利用細胞分割與同態加密抵禦向量對齊攻擊的 Shard 技術
近年向量嵌入外洩風險升高，研究提出Shard方案將中心化嵌入分為公開前綴與私密殘差，後者以多格密鑰逐格旋轉，並在CKKS下全維度重新排序。實驗顯示在五種編碼器上，Shard能在保持原始檢索品質的同時，使已知明文對齊攻擊所需錨點數提升至約256倍，且公開前綴泄漏的鄰近結構大幅降低。
深度分析
質數導向的模組算術嵌入技術——Prime Fourier Embeddings 理論與實驗
本研究針對模組算術的結構缺陷提出新嵌入方法。PrimeFourierEmbeddings以質數索引的cos、sin配對直接呈現餘數，並透過中國剩餘定理選取相關質數通道。實驗證實相關通道與無關通道的專精度差異超過500倍，全部測試模組均達到完美準確率。
深度分析
結合形式化規格與 LLM 的硬體生成：從需求到可合成 RTL 的逐步細化
隨著大型語言模型在軟體開發上的突破，硬體設計仍面臨錯誤風險。本研究提出結合形式化方法的逐步細化框架，讓LLM在每一步都受到可驗證規則約束，最終產生正確的RTL程式。實驗顯示此流程在VerilogEval基準上穩定生成符合規範的硬體描述。此技術有望加速晶片設計流程，降低人力成本。
深度分析
「Sibling‑Guided Credit Distillation」提升長程工具使用的信用分配與政策梯度穩定性
研究聚焦長程工具使用強化學習，提出以兄弟樣本引導的信用蒸餾（SGCD）作為信用分配機制，透過動態抽樣與外部語言模型產生步驟式信用參考，重新加權GRPO代價函數。實驗在AppWorld與τ³‑airline基準上分別提升至45.6%與0.602的pass@1，證明SGCD能避免自蒸餾破壞工具使用。