深度分析
AI 滲透測試代理人評估協議：以漏洞驗證為核心的多目標實驗
隨著大型語言模型讓AI代理人能執行攻擊性安全任務，研究提出以驗證漏洞發現為核心的新評估協議，透過語意匹配與二分圖解決模糊對應，並在多目標多漏洞環境中證實可比傳統CTF基準更具實務參考價值，此協議同時納入效率指標，考量執行時間與成本，提供持續式真實漏洞庫以支援重複與累積評估。
深度分析
深度分析
MobCache：基於潛在空間與行動感知的高效大型語言模型移動模擬快取框架
隨著城市規劃與流行病學需求大量人類移動模擬，研究提出MobCache框架，利用可重建的潛在空間快取與行動感知解碼器，提高LLM模擬效率且保持多樣性。實驗顯示推論時間降低逾四成、成本下降近五成，品質與最先進方法相當。此技術預計降低城市模擬成本，促進隱私保護下的開放研究。
深度分析
資訊理論揭示最佳政策隱含的 n·log m 位元環境資訊
研究探討在受控馬可夫過程中，觀測一個對任意非恆定獎勵函數最優的確定性政策，可精確得知環境中 n 個狀態與 m 個動作所包含的 n·log m 位元資訊，並證明此上界適用於有限、折扣與平均獎勵等多種目標設定。此結果提供了對於「隱性世界模型」的資訊下界，對 AI 安全與策略可解釋性具有重要啟示。
深度分析
多領域測試時縮放：生成式結果驗證模型（gORM）超越過程驗證模型的實證分析
研究重新評估多領域測試時縮放的獎勵模型，發現生成式結果驗證模型在14個領域均表現最佳，挑戰以步驟為單位的精細監督假設，並指出長推理鏈與標籤噪聲是關鍵影響因素，此結果促使未來在法律、醫療等高風險領域的 LLM 部署，更傾向採用生成式結果驗證以提升可信度。
深度分析
DeepTravel 結合沙箱與階層獎勵的端到端代理式強化學習旅遊規劃框架
隨著大型語言模型可自行使用工具，研究推出DeepTravel框架，利用沙箱與階層獎勵模型訓練自動旅遊規劃代理人，框架採階層獎勵先驗證時空可行性，再以回合檢查細節，並透過失敗回放提升推理，實驗顯示小型模型超越前沿模型，提升行程品質，已於滴滴企業版上線，顯示此技術可加速小模型商業化。
深度分析
AI 代理編排調查報告：Claude 主導平台、混合控制平面降低供應商鎖定風險
VentureBeat2026年調查顯示，企業正把AI代理編排集中於模型提供商平台，尤其以Anthropic的Claude為主。調查指出，多數所謂「代理」仍是單一提示的聊天機器人，真正的多步驟編排僅佔四分之一以下，且超過半數企業擔憂供應商鎖定。
深度分析
PalmClaw：將 LLM 代理人完整搬至 Android 手機端的開源框架
隨著大型語言模型代理人從桌面延伸至手機，PalmClaw 以原生手機框架直接管理記憶、工具與執行迴圈，將裝置功能以具結構參數的工具呈現。實驗顯示任務成功率提升約 11.5%，完成時間縮短逾 94%。此設計降低對雲端依賴，提升資安與使用者隱私。同時採用 AGPL 授權，鼓勵社群共同擴充多模態感測與自動化功能。
深度分析
J-space 與 Jacobian Lens：量化模型安全評估的內部辨識機制分析
研究針對量化語言模型的安全性，提出J‑space內部表示測量方法，透過JacobianLens在回應決策點讀取危險訊號，並以SafetyAUC、ComplianceAUC等指標比較FP、INT8、INT4量化層級。結果顯示部分模型安全辨識仍堅固，合規性提升可能增加危險指令違規回應，對未來模型部署與量化策略具重要啟示。
深度分析
Wiener‑Hopf 線性預測結合輕量化 2D CNN 的音訊 Deepfake 偵測新框架
隨著合成語音技術快速進步，音訊Deepfake偵測成為多媒體鑑識關鍵。研究提出以Wiener‑Hopf線性預測結合輕量化2DCNN的可解釋設計，直接連結分類結果與聲學特性。實驗顯示在多項基準資料上達到與最先進模型相當的偵測率，同時計算量僅為其十分之二。
深度分析
Jetson-PI 以未來校正模組優化 Vision‑Language‑Action 非同步推論，實現 6 Hz 以上控制頻率
研究針對在JetsonOrin等低功耗晶片上部署Vision‑Language‑Action模型的延遲問題，提出以未來校正為核心的Jetson‑PI方法，透過輕量化未來環境預測與信心排程，同步提升推論頻率與反應速度。實驗顯示在LIBERO基準上控制頻率提升逾八倍，成功率提升近十五%。
深度分析
LakeQuest 基準：評估資料湖中的多模態檢索與 AI 代理人推理效能
研究指出現實資料湖缺乏有效評測環境，提出LakeQuest基準以表格、文字與元資料混合測試檢索與推理。測試顯示即使檢索正確，跨來源合成仍常失敗，凸顯未來需要更健全的多模態組合與證據追蹤機制。基準涵蓋AI/ML元資料、零售銀行與生醫藥物三大領域，測試11種模型發現檢索高但推理正確率僅約30%。
深度分析
ARDepth：階層式自回歸單眼深度估計新突破，結合 SPC 與 SAG 提升零樣本泛化
單張影像深度估計近年多採用擴散模型，但在保持銳利邊界與細部結構上仍有挑戰。ARDepth以階層式自回歸方式，結合多尺度視覺條件與語意感知指導，逐層構建深度圖。實驗顯示其在多項零樣本基準上達到或超越最先進表現，顯示自回歸生成是幾何建模的可行新方向。預期此架構將推動深度模型商業化與開發者生態的多元創新。