深度分析

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。

深度分析

k-NAF（per-token KL）預算會計於 Anchored Decoding：實證稽核與影響評估

本研究實證稽核Anchored Decoding的k-NAF預算會計，採固定分層工作負載與自適應提示搜尋。以經驗貝葉斯上界做代理指標，量測序列級KL消耗並檢驗表面重疊。固定負載下平均支出顯著低於序列預算，自適應搜尋提高代理比但未見明顯預算耗盡。

深度分析

STAB：規格驅動演算法瓶頸測試框架—CP-SAT、K 最近鄰與大型語言模型整合

研究提出STAB框架，僅憑自然語言題目規格即生成揭露演算法瓶頸的測試資料，先以規則與CP‑SAT求得最大合法尺寸，再從13種對抗情境匹配構造原則，由大型語言模型產生Python測資生成器，於CodeContests提升測資暴露率至70%以上，顯示規格導向測試的效能與可擴展性。

深度分析

AIBuildAI-2：以分層、可演化知識庫驅動的自動化模型構建代理

AIBuildAI-2提出一種以分層且可持續更新的外部知識系統來強化自動化AI模型構建代理。系統以約30個高階類別（L1）配對約1,000份實務文件（L2），採動態載入相關知識以節省上下文空間，並在每次執行後將結構化經驗回寫知識庫以自我成長。

深度分析

TCP‑MCP：提示與通訊拓撲共演的多代理系統耦合優化框架

TCP‑MCP 提出將代理提示（prompts）與通訊拓撲視為聯合基因體，同時演化以設計多代理系統。研究以初始化景觀探針校準早期搜尋，並以帕累托前緣診斷在任務效能、Token 成本與結構複雜度三目標間自適應探索。

深度分析

Hyperparam：在瀏覽器與代理人沙箱以 JavaScript 直接查詢 Parquet 與 Iceberg

研究指出非結構化文字已成生產環境增長最快的資料類型，提出在瀏覽器與代理人沙箱直接查詢 Parquet/Iceberg 的 JavaScript 引擎與庫，透過逐欄延遲解碼與非同步 UDF，將昂貴模型推理延後執行，顯著降低冷啟動與推理成本，並改善查詢互動延遲與模型計費。