深度分析
「ReGen」階層多提示與通用流匹配提升低比特率波形擴散模型效能
隨著語音AI需求提升，研究提出ReGen以階層多提示同時生成表示與波形，克服REPA造成的向量糾纏，並透過GFM防止流向收斂。實驗在12.5Hz低比特率VAE與25Hz編碼器上提升音質，ReGenVoice僅用小規模資料、四張GPU一天訓練，即提升辨識率與說話者相似度，推論RTF僅0.08，顯示大幅提升生成效率與品質。
深度分析
深度分析
資訊瓶頸動態框架 IB‑Flow：突破 2 步文字‑影像生成的效能上限
隨著大規模文字到影像模型在品質上突破，推理速度仍受多步限制。IB‑Flow 利用資訊瓶頸動態選取注入時機與強度，於2步配置下消除過度條件化，實現最新的生成忠實度。此框架克服靜態注入限制，較傳統CFG蒸餾與Flow Matching在結構保真與色彩自然性上有明顯優勢。
深度分析
「演化智慧」驅動 AI 科學發現：從演化計算到自動化實驗與大型語言模型的累積式探索系統
本報導深入探討演化智慧（EI）如何將傳統演化計算（EC）升級為支援累積式科學發現的框架。文章先說明 AI 從任務導向自動化向閉環探索系統的轉變，接著以五維分析模型說明 EI 在「演化目標、變異來源、選擇依據、回饋來源、演化時機」五個面向的設計要素，並比較現有 EC 方法在候選集、變異操作與回饋形式上的限制。
深度分析
關聯感知上下文多臂賭局與代理獎勵：提升大型語言模型路由效率的 CABS‑C 與 CABS‑D 方法
隨著大型語言模型數量激增，選擇最適模型成系統挑戰。研究提出結合關聯圖與代理獎勵的上下文賭局演算法CABS-C與CABS-D，利用預測降低探索成本，同時在代理錯誤時保持魯棒性。實驗顯示樣本效率提升，成本效益優於傳統基線。並為未來模型選擇提供新思路。
深度分析
Causal Language‑Action Prediction (CLAP) 讓 VLM 直接轉換為高效視覺語言動作模型
視覺語言模型轉為視覺語言動作模型的挑戰在於輸出分布不匹配，CLAP透過在動作代幣前加入自然語言描述，使預訓練語意保留，同時僅需單輪微調即可在LIBERO測試中達到90.8%成功率，顯示此簡潔流程提升效能且易於分析。預期此方法將加速多模態機器人開發，降低門檻。
深度分析
AlphaZero 於稀疏獎勵遊戲的限制與 AZAL 輔助損失的效能提升
本研究以ConnectFour與Chomp為測試平台，探討AlphaZero在稀疏獎勵環境下的強大與完美表現差距，提出加入Oracle輔助損失的AZAL方法，顯著提升策略的一致性與最終勝率。實驗顯示，在10×11的Chomp棋盤上達到全局一致，且在ConnectFour上仍有錯誤。
深度分析
LLM 生成程式碼的結構一致性檢測：圖形屬性圖與混合驗證框架
隨著大型語言模型輔助寫程式的普及，生成的程式碼常在編譯與測試階段通過，卻在部署後出現結構不一致的錯誤。研究以圖形一致性不變式定義八類結構失敗，建構混合驗證框架，結合靜態分析與自製跨圖偵測器。實驗顯示，多數結構缺陷逃過型別檢查與測試，且不同模型的失敗模式差異明顯，突顯專門結構驗證的必要性。
深度分析
Eluna：圖形導向代理式 LLM 結合非對稱蒸餾實現倉儲 SOP 自動化
倉儲SOP複雜且需即時執行，Eluna以有向無環圖編碼流程，透過漸進揭露只呈現可達子圖，並採用非對稱蒸餾將大型教師模型的修正內化至32B學生模型，使其在實務基準上超越所有商用基線，票證處理任務達到94%專家一致性，顯示圖形導向代理可在高壓環境下提供可靠自動化。
深度分析
HERO Benchmark Library：可控異質性下的聯邦持續學習評測
隨著聯邦持續學習需求提升，研究者推出HERO異質性感知基準庫，分離任務切割、客戶資料切割與任務序列，α控制資料偏斜、ρ控制任務順序不匹配；在影像與圖形資料上測試，顯示方法表現隨異質性增強而變化，平均準確度可能掩蓋低效客戶失敗，凸顯此套件在公平評估與AI產業標準化的重要影響。
深度分析
利用李群對稱性的 LieBN，實現通用黎曼批次正規化與理論保證
深度學習多基於歐幾里得空間，但在處理流形數據時常面臨正規化困難。研究團隊提出 LieBN 框架，利用李群的左、右不變度量，實現對黎曼均值與方差的精確控制。該技術已在 SPD 流形、旋轉矩陣與相關矩陣等九種幾何結構中驗證，顯著提升了雷達識別與腦電圖分類等複雜任務的訓練穩定度與模型效能。
深度分析
StickyMoE：透過路由一致性訓練提升 MoE 模型記憶體效能
MoE模型在邊緣裝置上因頻繁切換專家導致記憶體瓶頸。研究提出StickyMoE透過路由一致性損失減少切換，最高降低59%切換率並提升困惑度，同時將快取未命中下降至3.92倍。此方法僅加一個λ超參數，無需改變模型結構，可與現有快取機制結合，提升邊緣部署效能。
深度分析
簽名對稱量化：解決少位元 LLM 整數量化的正向離群值裁剪問題
少位元量化時，傳統對稱量化因尺度固定正值會裁剪正向離群值。研究提出簽名對稱量化，利用符號選擇將額外負端點對齊主導離群值，保持零點不變且無額外元資料。實驗顯示在2位元下，perplexity從103降至17，few‑shot正確率提升7.9%，同時節省約9%記憶體與提升吞吐。