深度分析
DeepSeek V4：以 KV-cache 壓縮注意力與 CSA/MLA 重構企業推論成本
DeepSeek宣布將V4Pro永久降價並公開權重，引發企業雲端AI成本重估。核心採用交錯壓縮注意力(CSA與HCA)、多頭潛在注意力(MLA)、FP4量化訓練與mHC，顯著降低KV-cache與HBM需求。結果是高頻代理層成本大幅下探並可能改變供應鏈定價。
深度分析
深度分析
生成式AI時代的語音深偽檢測：來源標籤、情緒啟動與人機協作影響
本研究以生態有效的實驗設計，探討人類在日常情境中辨識語音深偽（語音 deepfake）時的行為與判斷。透過一項局部定位任務，47 名參與者在三種信任線索（指示框架、情緒啟動、來源標籤）下標註真實、完全合成與部分合成語段，並對機械感、表現力、可懂度、清晰度、平靜度與判斷信心等尺度評分。
深度分析
VibeSearchBench：代理人在多回合 VibeSearch 任務的知識圖構建與評測
面對使用者模糊查詢與多輪互動需求，VibeSearchBench提出以角色驅動的逐步揭露與無架構知識圖評估。它強調雙向收斂與多回合主動釐清，實驗顯示前沿模型在真實代理環境下F1僅約三成，反映現有架構不足。研究同時指出挑戰包括語境溢出、意圖誘導不足與結構化輸出匱乏。
深度分析
殘差化稀疏自編碼器（ReSAE）解析：降低多層 Transformer 干預中的重複與交互
研究針對大型語言模型殘差流的跨層耦合問題，提出 ReSAE：透過仿射回歸移除前層可線性預測成分，於殘差上訓練稀疏自編碼器，並在重建時以回歸鏈還原至原始激活空間；實驗顯示殘差化雖降低原始變異回復，卻在多層替換時更能還原模型交叉熵並降低解碼器冗餘。
深度分析
Figma Make 雙向 Git 整合：在畫布上直接編輯可審核的前端程式碼
Figma將Make從原型沙盒升級為可連接生產程式碼的視覺編輯器。新版允許桌面匯入既有Git倉庫、在畫布上視覺化改寫前端程式碼，並透過標準GitHub拉取請求推送變更。整合保留版本控制、CI與審查機制，將設計變更納入既有工程治理，可能重塑前端協作流程。
深度分析
來源感知與現象感知重排序：英→印地語性別保存與保存—流暢性前緣
本研究檢視英文到印地語翻譯，當原文明確表達性別時，譯文應保留該線索。作者構建37,345例基準，提出兩種推理時重排序器：來源感知重排序器避開使性別中性化的句法，現象感知重排序器以詞彙標記繞過中性化。結果顯示標記法大幅提升保存但降低流暢，呈現保存與流暢性的取捨。
深度分析
DataHub Context Intelligence：以 SQL 查詢日誌構建代理人語意層
在大型資料倉儲中，AI代理常因缺乏語意背景而誤判查詢上下文。DataHub以歷史SQL查詢建立語意索引，轉成語意錨點供代理檢索，並透過MCP、LangChain等介面暴露。平台從生產環境的查詢日誌抽取並解析，篩選高品質分析查詢與排程管線作為信號，專家可檢視並解決衝突定義。結果是代理較少錯誤拼接JOIN，查詢路由與結果一致性因此改善。
深度分析
GB10（ASUS Ascent GX10）能耗可觀測性審核：SCMI 與內部計數器缺失分析
研究揭露邊緣代理式人工智慧的能耗盲點。以 ASUS Ascent GX10 GB10SoC 為例，平台僅提供 GPU 即時功耗，無法透過標準介面取得 CPU 或電軌能量計數。作者建議用外部直流電表加上 GPU 扣除的校準橋接，並推動 SCMI powercap 成為標準。呼籲把能耗可觀測列為硬體首要需求。
深度分析
Grimlock：透過 eBPF、通道綁定與 kTLS 建構無繞過代理通訊守護層
代理系統常把授權與身份檢查內嵌於應用，導致信任邊界模糊。Grimlock透過eBPF在沙箱邊界強制攔截與路由流量，並以TLS1.3的後握手證明綁定通道與短期授權範圍，接收端再驗證身分與範圍後才釋放明文。此設計提升可稽核性與最小權限傳遞，適用於跨主機與多雲部署。
深度分析
架構驅動轉移（ADS）：以模型拓樸與少量校準預測 logit 變化趨勢
持續學習面臨模型在新任務後的logit變動與穩定性抉擇。本文提出架構驅動轉移(ADS)，將logit變動分解為架構依賴與資料依賴，利用層寬深度與少量校準樣本估算ADS並預測傾向。實驗顯示ADS與logit變動及校準誤差呈強相關，可作為輕量模型選擇代理。
深度分析
檢索增強推薦（RAG）下的顯著性分層失敗：37,000 次生產級執行的發現與對策
研究以37,000次生產級測試，評估檢索增強推薦在商用問答對品牌露出與失敗型態。方法把533家品牌分五個顯著性階層，透過多模型與多檢索條件測量檢索、說服力與定位三大瓶頸。結果顯示頭部品牌可被檢索但轉換率低；長尾與區域品牌有半數未曾露出，需分層行銷策略。
深度分析
階段感知基準與 OPMASK：行動LLM 中 NPU 與 CPU 的 Prefill/Decode 性能剖析
行動裝置部署大型語言模型面臨算力、記憶體與能耗限制。本研究在CPU與NPU異質SoC上進行分階段基準測試，提出OPMASK管線拆解方法以隔離通訊、量化與計算開銷，並做操作層剖析。結果顯示Prefill階段CPU優於NPU，而Decode僅小幅加速，排程與跨後端回退削弱NPU效益。