深度分析
AutoSG：以 RAG 與 LLM 驅動的定製求解器，結合結構安全精修與無實例 Elo 評估
昂貴優化問題普遍需客製化求解器且單次評估耗時耗費甚高。AutoSG以檢索增強生成(RAG)自學術文獻嚴格取證並採雙階段生成流程以避免虛構錯誤，一步自我精修操作在保留局部結構下導入任務專屬改良。系統以Elo式LLM裁判建立無實例排序，快速選出最終求解器。實驗顯示在多種昂貴優化場景上超越既有SOTA框架。
深度分析
深度分析
Gemma 4 31B 在 TPU 上以 LoRA 微調與 vLLM 部署：效能、成本與工程要點
研究以 Gemma 4 31B 在 TPU 上完成 LoRA 微調與 vLLM 推理為背景，詳述從 PyTorch→JAX 的改寫、Orbax 到 safetensors 的合併流程，以及在 v6e-8 上部署所需的 Docker 設定。結果顯示 TPU 訓練更快、成本更低，並在長上下文推理延遲與吞吐上展現顯著優勢，惟評估品質部分 GPU 仍有領先。
深度分析
使用向量場融合的 Mosaic 與 CoME-Bench：流基 T2I 的多概念抹除與評估
流基T2I模型能在單張影像中同時生成多概念，既有刪除方法難以處理此種組合場景；本文提出CoME-Bench與Mosaic，透過向量場差異的空間局部性，動態構建概念遮罩並選擇性融合基底與已刪除向量場，無需額外優化即可在同一生成流程中移除多個目標概念；實驗顯示在保持非目標內容下，Mosaic能顯著抑制目標概念。
深度分析
Lean 4 證明狀態快照：以 LSP 快照消除闡述開銷、加速並行 tactic 搜尋
自動定理證明在 Lean 4 的並行策略中受制於每分支的重複闡述成本。本研究提出在 LSP 層實作的「證明狀態快照」，擷取已闡述狀態並在分支間複用，以輕量分叉平行執行候選 tactic。實驗在 miniF2F-v2 上觀察到平均約十四倍的 wall-time 加速，顯著降低每分支的重複開銷。
深度分析
生成式人工智慧（GenAI）與北京城市不平等：核心區曝露、去技能化與高技術薪資陷阱
本研究以2018–2024年間北京4,995,615則職缺為樣本，建立由五款大型語言模型整合的生成式人工智慧曝露指數。採差異中之差檢驗ChatGPT釋出後影響，發現AI曝露集中於核心區且出現高技術人才增加但薪資停滯。並指向去技能化與勞動市場擁擠為關鍵機制。
深度分析
BC Protocol：雙專家語音對話採集高品質 CoT（思路鏈）資料的方法
BC Protocol 提出以雙專家（領域專家 + 知識工程師）語音對話，系統性外顯專家隱性推理，並透過Participant Aptitude六向度與「校準性無知」等機制把關品質。
深度分析
SiST-GNN：在單層訊息傳遞中同時融合時空訊息的動態圖神經網路
許多關係系統隨時間演化需預測未來互動。SiST-GNN在單一訊息傳遞層同時融合空間與時間訊號，將節點歷史隱態與當前特徵以交叉時間邊引入圖中並共同卷積。在多個基準的連結預測與節點分類上顯著提升，固定切分與即時更新評估的MRR分別提升109–277%與68–194%。
深度分析
HELM 框架映射：2017–2025 年 LLM 程式碼生成研究的系統性三階綜述
在軟體工程領域，大規模語言模型被用於自動產生可執行程式碼。本綜述整合30篇次級研究，採HELM框架評估準確性、健壯性與效率，並檢視整合挑戰如經濟可行性與評估有效性。結果顯示基準表現普遍良好但實務泛化與整合仍有限，建議優先推動領域感知模型與標準化評估。
深度分析
端到端 SNN 用於 LiDAR BEV 偵測：脈衝域損失與低能耗部署
為了在車用受限功耗下達成精準三維偵測，研究提出以脈衝神經網路（SNN）處理LiDAR BEV點雲的端到端架構；採surrogate gradient訓練、兩種推論變體（膜電位與全脈衝）與兩項脈衝域損失，並比較四種輸入編碼；在KITTI上接近CNN水準，保守估算可減少約3.33×synaptic推論能耗。
深度分析
CVE-2026-48710（BadHost）：Starlette Host 驗證缺失對 FastAPI 與 MCP 的授權繞過風險
資安研究者揭露Starlette框架存在一項關鍵漏洞，可使攻擊者藉由修改HTTPHost欄位注入路徑，讓框架錯誤重建請求URL並繞過基於路徑的授權，導致SSRF或遠端程式執行；受影響系統涵蓋FastAPI生態、MCP伺服器與多個AI代理，存在敏感資料與憑證外洩風險。
深度分析
表示移植（representation transplant）：以推理—演繹糾纏處理領域泛化
領域泛化（Domain Generalization）常因來源與目標資料分布不同而失效。
深度分析
ReWA：結合重參數化、權重衰減與座標自適應學習率的稀疏優化方法
本研究回應稀疏優化的穩定性難題，提出ReWA：以重參數化、權重衰減與座標自適應學習率改寫優化步驟。ReWA於數學上連結ℓp正則化（0<p<1），但在參數空間創造較平滑且有界梯度景觀，減少接近零時的震盪；實驗於CIFAR-10與ImageNet顯示在不顯著降準確度下，改善模型稀疏性。