深度分析
以帶外元資料通道實作代理人治理：Redpanda 的 ADP 架構解析
企業期待AI代理人能自主存取與決策，但模型會幻覺且有高通量介面，讓在代理人可見的安全元資料不可靠。Redpanda提出帶外元資料通道，將政策與審計置於代理人外，由基礎設施強制執行並跨系統傳播，示範在多代理理財系統能實現分域存取與不可竄改審計。
深度分析
深度分析
D-BOS：以可微信念驅動的對手塑形於隱藏角色博弈
研究聚焦隱藏角色博弈中，如何透過改變他人信念來提升長期回報。核心做法是把觀察者的後驗分布視為被塑形的狀態，沿可微 softmax‑Bayes 動態反向傳播 k 步，並以價值函數評估後驗終點的任務價值。實驗顯示此信念空間塑形在混合動機環境比 PPO 與 BBM 更具效益。
深度分析
Interpretive Audit Pipeline：解析LLM在公開評論中的模型分歧與影響
研究探討政府公開評論如何被大型語言模型重構，進而影響決策。文章提出InterpretiveAuditPipeline，透過多模型比對將分歧視為診斷訊號，引導人類審查具解釋性複雜的留言。實驗顯示模型間主題組織存在實質差異，僅靠立場正確率不足以保證代表性。
深度分析
縱向追蹤 LLM 使用行為：Bing Copilot 與 WildChat-4.8M 的代表性與族群偏差分析
研究以約一萬二千名Bing Copilot用戶與WildChat‑4.8M資料做縱向分析，採分層抽樣並衡量使用強度、語句複雜度、任務完成率與使用意圖。發現個人行為高度黏著但族群層面會朝高活躍用戶特徵偏移，且WildChat樣本偏向高能用戶，代表性有限。
深度分析
RSBM：以 ε-正則化連接施羅丁格橋與流匹配，實現 3 步視覺導航
視覺導航同時面對高維感測與即時控制限制。本文提出修正施羅丁格橋匹配(RSBM)：以ε正則化在橋與流匹配間插值，採共享速度場減少條件速度變異，並結合學習先驗縮短運輸距離。RSBM證明速度場形式在ε譜系不變且ε線性降低速度方差。實驗顯示僅3步即可達高相似度與成功率。
深度分析
CausalDPO：以因果不變性修正 DPO，提升生成式推薦對分布偏移的穩健性
本篇改寫自 ArXiv 提案，指出直接偏好優化（DPO）在用大型語言模型做推薦偏好對齊時，容易放大訓練資料中來自情境性環境共變因子的虛假相關，進而削弱對未見環境的泛化能力。
深度分析
DCNAR：以結構學習作為先驗的時變網路自迴歸動態因果推論
研究警示多數時變因果模型假定已知因果網路，實務罕見。本文提出DCNAR：以神經自迴歸發現稀疏有向結構，將其作為時變網路自迴歸的結構先驗。實驗顯示在未知結構下，DCNAR能產生穩定且可解釋的脈衝反應與反事實軌跡，並在短序列面板資料展示一致行為，對社會科學與政策模擬具實務價值。
深度分析
自編碼器圖冊（Autoencoder Atlas）：以多圖表學習切向量束與 Stiefel–Whitney 特徵類
面對數據來自流形的情境,傳統降維難以反映切向量場與特徵類。本研究以多圖表自編碼器建構學習到的圖冊,並從轉換映射的雅可比行列式符號推導第一Stiefel–Whitney類,提供可演算法檢測可定向性,同時說明特徵類會阻礙單一座標表現,並示範於低維可定向與非定向流形以及高維非定向影像資料集上的應用與驗證
深度分析
分階段學習預測器 LESA：結合 Kolmogorov–Arnold Network 提升擴散模型推論效率
擴散模型在影像與影片生成上表現優越但推論昂貴。LESA以可學習的Kolmogorov–Arnold Network為核心，採多階段多專家設計並透過兩段式訓練學習時序特徵預測，能針對高噪、中段與細節階段分別預測特徵。實驗顯示在多個大型模型上達到數倍加速並維持或提升視覺品質。
深度分析
穩定化 Mixture‑of‑Experts（Same）：緩解多模態連續指令微調中的路由與專家漂移
面對多模態連續指令微調的遺忘難題，研究提出 Same，一套穩定化 Mixture‑of‑Experts 作法。藉由光譜感知路由分解任務子空間、曲率感知縮放守護專家權重，並以自適應激活凍結選中專家以降低跨任務干擾。實驗顯示在保留舊任務能力與運算效率上較現有方法更穩定，具部署價值。
深度分析
Transformer 語法能力系統性回顧：337 篇研究、1,015 項模型測試的比較與可解釋性觀察
本篇系統性回顧匯整337篇關於Transformer語言模型（TLMs）對句法知識評估的研究，包含1,015項模型結果。作者分析方法類型（行為、探針、機制），揭示研究過度集中於英語與少數模型（如BERT），且模型在形式句法現象表現相對穩健，但在語法—語意交界（例如指代綁定、filler–gap）上表現較弱且變異大。
深度分析
JMedEthicBench：以多回合對話評估日語醫療領域大型語言模型（LLM）安全性
隨著大型語言模型在臨床應用的增加，評估其醫療安全成為必要。JMedEthicBench 提出首個以日本醫師會67項指引為基礎的多回合醫療安全基準，透過自動化發現七種 jailbreak 策略生成逾五萬組對話，對27款模型進行評測。