深度分析
mcp-attested：以離線 clearance assertion 與稽核鏈強化 MCP 伺服器准入
在ModelContextProtocol沒有定義信任邊界的背景下，提出mcp-attested：以離線簽章的clearanceassertion、伺服器級deny-by-default工具白名單，以及可切換為強制拒絕並寫入鏈式稽核日誌的執行模式，不改動MCP訊息可為外部伺服器提供授權與審計保障。
深度分析
深度分析
評估工程：解析 evaluation harness 在生產化的五階段挑戰
本研究分析57套機器學習評估harness以建立評估工程框架。論文提出五階段工作流程，涵蓋環境佈建、規格整合、執行、評估與報告。作者以近兩萬條GitHub議題分類根因，指出規格階段整合外部模型與資料占最大比例，且未實作功能、文件缺失與輸入驗證不足是主要成因，提示評估基礎設施是可靠度瓶頸。
深度分析
以結構映射為基礎的模組化類比生成管線：子概念導向的檢索與重排名策略
研究指出類比有助理解結構性知識。本文提出以結構映射理論為基礎的模組化類比生成管線：來源搜尋、子概念生成、說明產出與評估。實驗以多款大型語言模型與嵌入向量測試，發現子概念可以提升檢索與說明品質，但對開放式來源發現幫助有限。並強調分階段設計可揭示模型間的互動與弱點。
深度分析
Jitskit：以 LLM 與程式碼代理進行 Just-in-Time 全系統合成的實驗與發現
研究指出通用核心系統為廣泛適配而付出結構性效能代價。研究提出Just-in-Time系統與Jitskit合成流水線，從環境、工作負載與需求三張規格卡出發，迭代生成並驗證完整KV系統，加入對抗式稽核與可觀測評估以避免獎勵濫用。實驗在18種配置上皆通過正確性檢驗，並普遍超越既有系統。
深度分析
Tracer：以嵌入檢索與 LLM 驗證進行 Code LLM 資料汙染語意分級
資料汙染會扭曲大型程式語言模型（Code LLM）在基準測試上的評估結果。Tracer 提出一套語意感知的多階段檢測框架，將任務重疊細分為「功能等同」、「近似」與「共用邏輯」三類，並串接指令正規化、嵌入式初篩、以 LLM 為核心的細緻驗證與瑣碎任務過濾。
深度分析
頻譜探針電路：用三步法於預訓練檢查點識別 Transformer 注意力頭電路
本研究提出一套三步法：以每頭注意力輸出參與比（PR）積分抓取頻譜信號，透過六類任務模式篩選形成候選電路，最後以分組消融與同層隨機對照做因果驗證。跨多種架構與尺度重複實驗發現，誘導電路通常由3–6個頭構成，且可辨識的專精頭比例約17–19%不隨規模大幅變動。
深度分析
動態貝式博弈下的誠實性加權機制：將行動平台LLM線上微調後悔降至 O(√T)
本研究針對行動群眾外包環境下，來自多位行動使用者的偏好回饋可能被策略性地虛報，導致以人類回饋微調大規模語言模型（LLM）時效果退化。作者以動態貝式博弈建模平台與多位策略性工人之間的線上互動，設計一種能根據回饋準確度動態調整權重的線上加權彙整機制，並證明該機制可誘導誠實回饋且將總體後悔（regret）從線性降為次線性 O(√T)。
深度分析
從搜尋到任務化：Google 以 Gemini 模型與代理架構整合產品與創作者生態
GoogleI/O後，SundarPichai描述Google如何以Gemini與代理平台，把共用模型與基礎建設串接到搜尋、YouTube與產品線上；此舉讓搜尋能直接執行任務而非僅回傳連結，可能進一步侵蝕網站流量並重塑創作與商業模式。帶來政策與營收分配討論。
深度分析
Iterative Refinement Neural Operator (IRNO)：以共享修正器的固定點迭代改善高頻誤差
研究提出Iterative Refinement Neural Operator（IRNO），將預訓練的神經算子作為粗解，並以共享權重的修正子在推論時做固定點迭代，將預測拆成初始化與殘差修正兩部分。理論上在局部條件下可被視為收斂的契約映射，並能穩定外推超過訓練迭代次數。
深度分析
高斯釋出在隱藏態隱私的限制：Fisher 下界與 Mahalanobis 自適應攻擊分析
本研究針對 decoder-only transformer 的中間隱藏態釋出（例如做向量檢索或快取）評估高斯雜訊機制的隱私-效用折衷。
深度分析
以流水陣列加速 Kuramoto 局部非線性漂移：SA-Kura 架構與能耗評估
擴散模型採樣昂貴，Kuramoto方位擴散以局部相位耦合取代線性漂移，保留更多局部結構並提升步數效率。SA-Kura將sin(θj−θi)重寫為鄰居累加後再與中心相位乘減，移除PE內三角單元並以流水陣列執行。實驗顯示在45nm綜合下，相較SoC軟體延遲與能耗分別降約193×與69.4×，對Jetson Orin Nano則更快6.57×且每像素能耗約46×更低。
深度分析
為 VLA 模型優化的 ActQuant：矩陣位元分配、尺度優化及 OmniModel.cpp 工具鏈
面對 VLA 模型難以在邊緣裝置部署的記憶體瓶頸，ActQuant 提出行為導向混合精度 PTQ：先依矩陣對動作貢獻分配位元，再在矩陣內以動作敏感度優化分塊尺度，並透過 OmniModel.cpp 轉出低位元本地推論。實驗顯示可在低於 3-bit 保持高成功率並顯著壓縮模型。