深度分析

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。

深度分析

OpenURMA 與 Unified Bus（UB）：以片上控制器重塑 RDMA 的低延遲路徑

現代資料中心的RDMA瓶頸出在網卡與PCIe往返。Unified Bus把控制器移上片上匯流總線，分離應用與傳輸狀態並開放載入/儲存路徑直達遠端記憶體。OpenURMA為首個clean‑room公開實作，64B遠端讀取實測約500ns，較RoCEv2降低約4.37倍。

深度分析

DREAM‑R：以 SAPO、CPN 與 FPSR 實現多模態推理的並行加速框架

大型多模態模型推理成本高昂。DREAM‑R以強化學習驅動的SAPO訓練草稿模型、結合對比機率正規化(CPN)與全並行FPSR驗證機制，有效抑制錯誤傳播並在保留準確度下加速推理。實驗在四個基準上達到最高2.48×加速且維持目標模型準確度。對多模態推理擴展實務有顯著意義。

深度分析

CyberJurors 與 VerdictBench：多智能體鏈式推理的電商多模態判決框架

電商平台採用群眾陪審處理大量交易爭議，但多回合、多模態且依平台慣例的證據結構，挑戰現有模型的判決能力。研究提出VerdictBench——一個包含6,000件真實案例、並附17人陪審團判決結果的多模態資料集，並以CyberJurors框架回應此需求。

深度分析

以 PE 最小化為準則的 Global PSRO：結合參數共享與條件式策略的全域擴充方法

大型兩人零和博弈策略空間龐大，現有PSRO方法多以受限博弈回報作為擴充依據，但此類擴張往往偏向局部最優，對完整博弈近似改善有限。作者提出以族群可被利用性(PE)衡量族群質量，採探索—選擇雙階段框架先生成多個候選回應，再估算每一擴充後的PE以做篩選，並同時加入針對選定族群的最佳回應以加強擴充效果。

深度分析

CIVIC：以路徑一致性端到端序列緊湊化降低 VLM 的 KV-cache 與延遲

視覺語言模型面臨高解析影像造成的記憶與延遲瓶頸。CIVIC 提出全程路徑一致的緊湊序列設計，透過錨點聚合、KV 壓縮注意力與文本對齊的 KL 蒸餾，避免重複稠密還原與路由開銷。實驗證明能顯著縮減KV-cache與整體推論延遲，同時維持多模態效能表現。

深度分析

SpatialBench-Long：評估AI代理人於空間生物學長程推理與程序性量測的限制

本研究以實際空間生物量測為起點建立24項長程評估任務探討AI代理人對科學結論的重建能力任務涵蓋空間轉錄組織形態與血緣追蹤等多模態資料採用可驗證二元評分並結合軌跡式阻塞點診斷在15組模型與介面共1080條路徑中結果顯示通過率低但出現零星成功揭示程序性量測與跨模態整合的侷限

深度分析

場景級電影評估框架 MTAVG-Bench 2.0：多模態失敗診斷與時序定位

近年多角色音視訊生成在唇語同步與視聽對齊已有進展。本研究提出MTAVG-Bench2.0，聚焦短劇場景，建立橫跨表演、氛圍與攝影的高階失敗分類，構建逾一萬條問答評估實例以診斷電影級表現缺陷。實驗發現頂級商用通用模型整體表現領先，卻仍難處理複雜角色表演與跨鏡頭敘事問題。