深度分析
LoCA：低秩卷積適應提升視覺基礎模型的參數高效微調效能
隨著視覺基礎模型在多樣任務上展現強大表現，如何在保持預訓練空間先驗的同時降低微調成本成為關鍵。研究提出LoCA低秩卷積適應，將通道混合與空間基底分別以低秩方式調整，避免將4維卷積核硬壓成2維矩陣導致的拓撲破壞。實驗顯示LoCA在細粒分類、語意分割與生成任務上均達到或超越最先進表現，同時參數量僅千級。
深度分析
深度分析
「FRAMe」結合大型語言模型、RAG 記憶與多模態教練的 eVTOL 飛行規劃系統
隨著先進空中移動（AAM）需求提升，研究團隊推出FRAMe系統，結合LLM、RAG記憶與多模態教練代理人，能根據操作者自然語言偏好產生符合禁飛區的eVTOL飛行計畫，實驗顯示在各難度情境中有效性最高，並成功提升偏好對齊指標。此技術有望推動城市空中交通商業化。
深度分析
以固定專家基準驗證 Gin Rummy 強化學習：信任區域、獎勵塑形與模型容量之影響
研究以固定專家作基準，評估輕量級GinRummy代理人的訓練要素，發現信任區域更新、先擊打獎勵與遞增對手課程等提升效能，最佳模型對專家勝率約34%，同時證實模型容量非瓶頸，資訊缺失限制上限。此結論亦在LeducHold’em上驗證，顯示方法具遊戲無關性，可作為小模型卡牌遊戲AI研發的基準。
深度分析
梯度式語音對齊：適用於CTC、Transducer、AED與Speech‑LLM的時間戳方法
研究針對所有可微分語音辨識模型提出梯度式對齊方法，透過教師強制機率對輸入取梯度，將每個字元的顯著性映射為時間分布，再以動態規劃解碼出詞界。實驗顯示此法在十六種模型上均能產生可用對齊，雖略遜於部分原生對齊，但在串流模型弱點上表現更佳，唯一缺點是計算成本較高。
深度分析
SPEAR：基於 Unreal Engine 的高效光真實感實時渲染平台
隨著光真實感模擬需求提升，SPEAR 以 Python 插件全面開放 UE 超過 14,000 個函式，並支援即時渲染 1080p 影像至 NumPy 陣列。其高階交易式編程模型可在單幀內排程複雜圖形工作，同步與非同步呼叫皆可使用。實驗顯示渲染效能提升十倍，為 AI 研究與電競訓練提供更高效、可擴充的基礎設施。
深度分析
DreamerV3 與 RSSM：多維目標提升世界模型閉包表徵的實驗分析
本研究探討在深度世界模型中，目標維度如何決定模型能捕捉的任務閉包。透過在DreamerV3環境中比較單一標量價值等價與多維目標，發現標量僅安裝約10%閉包，而四維目標可恢復逾七成。此結果對未來AI研發與模型設計提供了重要指引，提示單一回報信號可能不足以支撐複雜控制任務。
深度分析
TriRoute：統一注意力、專家路由與 KV 快取位元寬度的條件計算框架
TriRoute 提出一個輕量化的共享控制器，於每層每個 token 同時決定注意力模式、稀疏專家選擇與 KV 快取位元寬度，將傳統的 MoE、MoD 與快取量化分別調校的三條路徑合併為一個全局預算下的協同決策。
深度分析
「SkillCenter」大型來源基礎技能庫：提升 AI 代理的正確性與安全性
SkillCenter以216,938筆來源基礎技能構成24大領域庫，透過自動化管線從學術、GitHub等來源抽取、驗證與發布，實驗顯示精準匹配的技能能顯著提升AI代理的正確性與安全性，預示未來開發流程將更倚賴可追溯的技能資源。同時結合社群貢獻與自動品質評分，為台灣開發者提供跨領域即取即用的知識庫。
深度分析
矩‑熵驅動的 NEST 混合專家模型：提升長期多變量時間序列預測效能
長期多變量時間序列因不同運作模式產生資料層級分布移轉，預測難度提升。研究提出NEST，透過矩-熵空間無監督聚類劃分運作機制，結合兩階段密集混合專家與時間內容路由器及幾何調整，使每個專家專注於特定模式。實驗在網路流量與電離層TEC等基準上均創下最新最佳表現，證明此法能有效緩解資料層級分布移轉。
深度分析
LLM 評審偏差對自演化代理人技能退休機制的影響分析
研究指出，當自演化代理人的技能退休依賴於LLM評審時，若評審存在假通過偏差，會使策展者失去退休依據，導致技能庫無法有效剔除壞技能，影響系統安全。實驗顯示對稱噪聲僅提升門檻，而假通過偏差在0.45左右即出現斷崖，資料量都無法恢復退休機制；作者亦提出以缺陷注入審計的測試，協助營運者判斷評審是否跨越門檻。
深度分析
機構紅隊測試：以部署規則驗證多代理人工智慧安全性
隨著多代理人工智慧系統日益普及，研究提出機構紅隊測試以單獨變更部署規則評估安全性。實驗顯示僅調整損失分配規則即可使致死率改變22至58個百分點，且身份標示會大幅提升目標消除。此方法亦可延伸至溝通、投票與升級等規則的安全驗證，為未來 AI 生態提供制度層面的防護框架。
深度分析
ADE 框架：結合 AIM、AIR 與分支/資料流控的 AI 代理資料平台
隨著大型語言模型與代理框架的成熟，研究提出代理式資料環境（ADE），透過資訊管理、檢索與信號抽取提升代理能力，同時以分支與資料流控機制限制錯誤影響，預期加速安全自動化應用。此框架還將資料即時分支與多模態抽取結合，為企業提供可驗證的自動化基礎設施，預計重塑 AI 開發與治理模式。