深度分析
TNODEV：首款結合偽證與 CTMM 可達性的神經ODE安全驗證工具
神經ODE正被納入安全關鍵系統，驗證需求上升。TNODEV結合偽證檢測、混合單調性可達性與輸入分割，提供迭代驗證流程，支援純ODE、閉環與GNODE，安全集合可用區間或目標標籤半空間定義。實驗顯示在多項基準上較單次可達性工具更精確，預計加速AI在自駕車與工業自動化的安全驗證。
深度分析
深度分析
SimRPD：結合意圖鏈與強化學習的招聘主動對話代理人訓練框架
SimRPD 提出一套三階段流程，先以大型語言模型打造高忠實度的求職者模擬器，產生大量多輪對話資料；再以「意圖鏈」(Chain-of-Intention, CoI) 為基礎的雙層評估機制，從全域分布與單句品質兩方面篩選出高品質合成資料；最後以 SFT 與 PPO 方式微調招聘主動對話代理人。
深度分析
領域專屬多模態模型與類比推理：實現千倍能源效率的 AI 代理人
隨著AI市場預期在2033年突破4.8兆美元，研究者提出以能源效率提升千倍的領域專屬多模態模型為方向，透過跨層次共同設計、類比推理與持續學習等技術，打造能在動態環境中即時推理、規劃與決策的智慧代理；此路線有望降低訓練成本並減少幻覺風險，推動AI向大腦級別智慧邁進。
深度分析
以粒度校準檢測 AMALIA 9B 權威構念標註的可靠性與有效性
葡萄牙以公共資金打造9億參數的葡語模型AMALIA，旨在提供本土語言的文本標註工具。研究採用粒度校準將完整提示拆解為原子子句，量測其在道德基礎—權威構念上的復原差距。結果顯示AMALIA在歐洲葡語語料上僅恢復約半數的整體表現，且多依賴表層關聯，無法完全取代人工編碼。
深度分析
UltraX：函式呼叫驅動的大規模預訓練資料精煉框架
隨著訓練資料逼近上限，UltraX加入插入、刪除與修改三種函式呼叫操作，形成完整編輯空間並以資料自適應提示引導專家LLM產出高品質精煉文本。實驗在五大語料庫使用1B模型，平均效能提升逾2%，且降低所需訓練token，顯示資料效能顯著提升，在實務應用上亦具潛力。
深度分析
SMetric：在 LLM 代理工作負載中實現 KV 重用與負載平衡的排程設計
隨著大型語言模型被用於自動化代理，傳統排程無法同時達成高代幣吞吐與 KV 重用。研究提出 SMetric，以首請求負載平衡、後續快取導向，利用全域 KV 儲存庫保持局部重用，較現有排程提升 10‑34% 吞吐並降低延遲，顯示平衡式排程在代理服務上具潛力。
深度分析
Model Context Protocol (MCP) 與動態語境檢索：縮小 AI 代理人語境存取鴻溝的關鍵技術
研究指出，AI 系統若能自動從使用者知識庫取回語境，與需手動附加語境的差異構成「語境存取鴻溝」，此差異決定了白領工作的 AI 效能門檻，並可能加劇知識工作者的階層分化。此現象不僅影響個人使用者的生產力，也在企業層面形成平台鎖定與資源不均，成為 AI 不平等的微觀變項。
深度分析
VEGAS：利用測試時凝視資訊提升影片說明文字個人化與檢索效能
研究針對視訊說明文字與使用者注視資訊的關聯提出 VEGAS 指標，利用測試時的凝視資料挑選最符合觀看者注意的字幕。實驗顯示在日常活動影片上可提升檢索精準度，但在教學投影片上改善有限。此方法未需重新訓練模型，未來可結合智慧眼鏡或網頁即時注意力推估，提升個人化影片搜尋與記憶檢索。
深度分析
GitLake：以 Apache Iceberg 為基礎的資料湖版 Git 版本控制，支援 AI 代理人原子合併
隨著AI代理人進入資料湖，GitLake把Git的提交、分支與合併概念移植至Iceberg表，讓代理人在獨立分支上開發管線，並透過原子合併確保全局一致性。實驗顯示，該設計在百萬級作業中維持可回溯與高效能，預示資料管理將向代碼式協作轉型，並為未來的 AI 驅動資料治理奠定基礎。
深度分析
Dueling Q‑Learning 理論收斂與價值‑優勢分解的切換線性系統分析
Q-learning 為強化學習基礎演算法，Dueling Q-learning 透過將 Q 函式分解為價值與優勢提升效率。本研究以正交分解與切換線性系統理論，證明未正則化表格版 Dueling Q-learning 在恆定步長下可收斂，深化對價值‑優勢動態的理解，對未來深度強化學習設計具指引意義。
深度分析
Best‑of‑N TTS 推理之跨家族 ASR 評估偏差與 Rank Ensemble 效能分析
本研究探討Best‑of‑N TTS推理中，驗證器的評分會因所使用的自動語音識別（ASR）家族而大相逕庭。透過在LibriSpeech‑PC測試集上比較Whisper、wav2vec2.0與HuBERT等三大族系，提出跨家族排名集成與雙評估者三角測量，以降低WER並避免偏差。實驗顯示跨族集成可將平均WER降至1.61%，相較基線減少12%。
深度分析
T2I‑I2I 混合資料合成與 VRAIN：提升 LVIS 長尾實例分割效能
長尾實例分割受限於資料稀缺，研究提出結合 T2I 生成與情境感知 I2I 編輯的混合框架，透過教師‑學生過濾與 VRAIN 指令式稀有類別插入，提高標籤可信度與影像真實感。實驗在 LVIS 上整體 AP 提升 4 點，稀有類別更增 9.5 點，顯示此方法在提升模型表現與擴展性方面具備顯著潛力。