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
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。
深度分析
FD-RAG：以超圖記憶與雙系統分流優化邊緣檢索增強生成
在資料分散與運算受限的邊緣環境，FD-RAG以語意超圖與輕量QA記憶分離檢索與推理。系統以Memorizer直接回應覆蓋良好的問題，僅在必要時由Cognizer呼叫LLM理性推演，並透過聯邦匿名記憶彙整改善跨裝置知識斷裂，實驗顯示在多項QA基準上精準度提升且延遲大幅降低。並且提出超圖學習的收斂保證，支持邊緣部署的可行性。
深度分析
SNN公平性評測：資料偏差、脈衝編碼與硬體限制的交互影響
脈衝神經網路在邊緣低功耗場景受矚目,本文建立首套系統化SNN公平性基準,考量族群覆蓋缺口、偽特徵外洩與部署硬體差異。以四組跨族群資料集與三款神經形態模擬器測試十二種SNN,發現資料偏差及硬體限制會放大族群間性能差距,需演算法與硬體共同優化。
深度分析
多代理 StoryMI：結合情境故事與互動管理以提升 LLM 的動機性面談（MI）策略遵循
研究聚焦動機性面談(MI)自動生成的情境化與策略控制問題;StoryMI以問卷建立個案並擴展為情境故事,由治療師、個案與互動管理三類代理協同生成帶MI行為代碼的對話,互動代理動態選擇宏觀策略。實驗在一千組問卷與六千場模擬對話及六款LLM上驗證,顯示情境落地與宏觀控制能提升MI遵循度與臨床合理性。
深度分析
圖靈跳躍與可計算性層級：能力內化、訓練與收斂修正的數理界定
研究檢視遞迴自我改進論述的計算邊界，採用相對於Oracle的層級模型，區分有限內部修正、收斂式修正與能力內化。結果指出：有限層內重複更新無法解釋邁向更強相對層級的質變，收斂修正對應圖靈跳躍，而跨層內化需透過訓練或再部署。對AI理論與自我改進論述具約束力。
深度分析
提示式TTS的細粒度風格控制：向量插值與 KV-cache 交換技術
背景：提示式文字轉語音方便以自然語言控制風格，但缺乏連續與句內變化能力。方法：在文字嵌入空間插值風格向量以達跨句連續控制，並以KV-cache交換與滑動視窗注意力遮罩解除句內自我參照以實現句內轉換。影響：實驗顯示性別轉換近百%、音高與語速可觀變化且維持高相似度。