深度分析
「Transformers」後端整合 vLLM：原生速度匹配與即插即用模型部署
HuggingFace將Transformers整合為vLLM的模型後端，使其在多種大型語言模型上達到或超過原生實作的推論吞吐量，開發者只需加上--model-impltransformers旗標，即可自動獲得最佳效能，預期將降低客製化開發門檻並加速AI服務部署。
深度分析
深度分析
NVIDIA 釋出 Nemotron 合成資料與可視化 Prompt Atlas，提升代理人工智慧可靠度
NVIDIA 以 Nemotron 系列釋出超過 10 兆前訓練標記與數百萬後訓練樣本，並提供互動式 Prompt Atlas，讓開發者能檢視與分析代理人工智慧的行為根源。
深度分析
CARVE：鍵軸門控的內容感知記憶高效線性注意力模型
研究指出傳統線性注意力在記憶門控上缺乏內容感知且寫入門參數龐大，CARVE只在鍵軸做門控並以單一標量寫入門取代全矩陣，實驗在WikiText與推理基準上皆取得顯著提升，且計算與記憶開銷下降。參數量下降至原本的1.5%，記憶使用減13%，吞吐量僅差0.4%。
深度分析
「ROK‑FORTRESS」基準：英韓語言與美韓地緣情境下大型語言模型安全測試分析
本研究推出 ROK‑FORTRESS 基準，結合英韓雙語與美韓地緣情境，以轉譯矩陣分離語言與政治因素對模型安全的影響。實驗顯示韓文變體普遍降低危險回應分數，且韓國情境可緩解語言引發的抑制效應。結果說明僅靠翻譯的安全測試可能忽略實際情境差異，呼籲未來評估加入文化轉譯與地緣因素，以提升多語言安全性。
深度分析
LLM 原生心理測量五因子揭示自我報告與行為脫節的實證分析
隨著大型語言模型被廣泛測試，其自我報告問卷呈現高度穩定性；研究團隊以探索性因素分析從模型行為出發建構300題測驗，萃取出回應性、順從性、大膽性、謹慎性與冗長性五因子；結果顯示除冗長性外，這些自評分數無法預測人類評估的實際行為，對以自我報告作為對齊驗證的管線構成風險。
深度分析
AI Agentic MCPscan：本機離線的 MCP 安全姿態掃描工具
AI Agentic MCPscan 是一款以本機、離線為前提的 MCP 安全掃描工具，能自動偵測本機 MCP 伺服器的曝光、明文憑證、過寬工具範圍與未釘鎖套件，並依影響度給予優先修復建議。工具採 Apache‑2.0 授權，支援 Windows、macOS、Linux，並以純本機運作避免資訊外洩。
深度分析
NeuroLink：支援 21 家供應商與 64+ 工具的 AI 多模態整合方案
NeuroLink以統一API整合21+AI供應商與百餘模型，支援文字、語音、影像等多模態串流，並提供多供應商容錯、記憶體快取與自動成本路由，讓開發者可彈性切換模型、降低運營成本，預期將加速AI應用在企業與邊緣裝置的部署。同時支援企業級HITL安全審核與即時語音雙向互動。
深度分析
使用 mcpx CLI 直接呼叫 MCP 服務，支援 JSON 輸出與快取機制
隨著MCP（模型上下文協議）在AI開發環境中逐漸普及，mcpx透過CLI將伺服器功能以指令形式曝光，支援即時管道、JSON輸出，並可自動發現Cursor、Claude等現有服務的設定，讓開發者快速組合工具，提高工作流效率。同時，mcpx以開放授權提供，可在多平台部署，降低跨環境整合門檻。
深度分析
Learn‑LikeCC：結合 Claude Code 原始碼與模型路由的完整開源學習平台
Learn‑LikeCC是一個以ClaudeCode原始碼為教材的開放式學習平台，提供TypeScript結構解析、可執行復刻CLI與模型路由實驗。透過三大仿真工具展示AgentLoop、腳本與Prompt追蹤流程，協助開發者快速掌握AI Agent架構。此專案促進社群對大型語言模型工具化的研究與應用。
深度分析
SecureCode v2.0：跨語言支援、真實 CVE 事件與四輪對話的產線級安全程式碼資料集
AI產生的程式碼安全缺口持續擴大，SecureCodev2.0提供1,215筆與真實CVE事件對應的漏洞與安全實作、四輪對話與作業防禦指引，實驗顯示能顯著提升模型生成安全程式的準確度，預期降低企業安全風險。每筆範例均含SIEM整合與容器硬化建議，彌補了過往資料缺乏作業層面指導的缺口。
深度分析
AISIX AI Gateway：Rust 原生、支援 OpenAI 兼容多家 LLM 供應商的全平台代理
AISIX以Rust打造開源AIGateway，提供兼容OpenAI的單一API，整合多家LLM供應商，支援路由、速率限制與內容防護，讓平台可自行部署或使用雲端管理，降低成本並提升治理效能。同時內建快取、觀測與安全防線，支援SSE串流與多模態輸入，適用企業與開發者快速建置多雲LLM架構。
深度分析
稀疏自編碼器 L0 設定對特徵混合的影響：從玩具模型到 Gemma-2-2b 的深入分析
研究指出稀疏自編碼器的L0參數若設定不當會導致特徵混合，過低會使模型以相關特徵欺騙重建，過高則產生退化解。作者提出透過解碼器投影衡量找出正確L0，實驗顯示在Gemma-2-2b上最佳L0約200-250，提升稀疏探測表現。此發現對未來模型解釋性研究具有指導價值。