深度分析
利用 Intel TDX 與 dstack-capsule 完成 Kubernetes Pod 級遠端驗證
隨著LLM即服務與機密雲端工作負載的興起，需要以加密證明資料在受信任環境中處理。dstack-capsule透過IntelTDX在同一機密VM內提供Pod級遠端驗證，將pod_spec_hash嵌入報告資料。多Pod共享同一VM，特權保險絲不可逆確保切換安全模式。實驗顯示資源開銷僅約2 MB/Pod，驗證延遲約24 ms，遠優於每Pod獨立VM的方案。
深度分析
深度分析
Riemannian 圖形基礎模型：神經向量束與 Gauge 架構的可轉移結構分析
圖形基礎模型因圖形結構多樣而在跨領域遷移上表現受限。研究以行為不變性對應幾何平坦性，提出神經向量束（NeuralVectorBundle）框架，並設計可預訓練的Gauge架構與Dirichlet損失以平坦化局部坐標。實驗在零樣本連結預測與圖形同構辨識等挑戰任務中，超越16個基線模型，展現顯著提升的優勢。
深度分析
OpenAgenet (OAN)：打造跨組織 AI 代理的身份治理與信任基礎建設
隨著大型語言模型的代理從本地助理擴展到跨組織網路，身份與治理成為安全瓶頸。OpenAgenet（簡稱 OAN）提出根治理的身份註冊、授權式發現與簽名呼叫機制，讓代理在連接前即可驗證身份來源、治理狀態與授權範圍。
深度分析
大型語言模型驅動自動評分系統的提示注入攻擊與防禦策略分析
隨著大型語言模型被廣泛用於自動評分，研究發現提示注入攻擊可讓學生藉由在答案前加入特製指令提升分數。實驗顯示，即使部署現有防禦機制，通用攻擊仍能成功操控評分結果，對評量公平性構成嚴重威脅。研究涵蓋四大科目超過三十題，並比較黑盒與白盒防禦效能，指出現有防禦仍不足以完全阻擋攻擊。
深度分析
憲法式在策略安全蒸餾（COPSD）提升安全指標與生成多樣性
本研究聚焦於安全對齊的在策略自蒸餾，提出憲法式在策略安全蒸餾（COPSD）兩階段框架，先以交叉SFT冷啟動校正教師，再以憲法條件進行密集監督。實驗顯示COPSD在12項基準上同時提升安全與效能，超越既有方法。此框架亦與KD‑MARL的知識蒸餾策略作比較，顯示在資源受限設備上仍具可部署性。
深度分析
AGI 時代的 Copyleft 轉型：從源碼等價到可重建建置
隨著AGI系統崛起，傳統Copyleft的源碼‑二進位等價假設被打破。本文提出以可重建建置確保位元相同的技術框架，並闡述模型上下文協議帶來的動態連結層治理挑戰。結果顯示，僅靠分享程式碼已不足以保護自由，需結合可驗證重建與協議治理。同時，對AI開發者生態與商業模式亦產生深遠影響。
深度分析
「TypewriterLM」：首款以 1913 年前英語語料與詞彙限定指令微調的歷史語言模型全解析
研究針對1913年前英語文本打造歷史語言模型TypewriterLM，透過54億字元的TypewriterCorpus與詞彙限定指令微調，確保無時間泄漏，評測顯示模型在歷史事件上具備時間一致性且在一般基準上具競爭力。此模型亦為人文與自然語言處理跨領域研究提供新平台，未來可支援歷史語料分析與時間語意推理。
深度分析
針對共變量校正的 LLM 假設生成：條件式框架與兩種 Lasso 技術的實驗驗證
本研究針對文字分析引入研究者指定的共變量，提出條件式假設生成框架，利用互動式Lasso與去均值重加權技術，解決層次不均與符號反轉問題，實驗證明在合成與真實資料上可產生更具實用性的假設，此方法相較於傳統全域Lasso，能在特定子群內捕捉差異，提升研究者對政策或教學品質的洞察，並提供未來在AI社會科學應用的擴展方向。
深度分析
Glass Box：CubeSat 軌道 AI 的憲法式執行驗證框架與效能分析
隨著軌道雲端運算興起，AI 工作負載在低軌道自主執行缺乏即時治理。Glass Box 於每筆 AI 決策前檢查六項物理憲法限制與七條 LTL 安全不變式，並回傳可解釋分數與審核日誌。實驗顯示其驗證開銷與條目數呈線性關係，為未來軌道 AI 安全基礎設施奠定基礎。
深度分析
「SCOPE」框架：邊緣 AI 下自然語言驅動 PTZ 攝影機的即時控制與視覺語言模型整合
隨著語言模型在機器人領域的應用日增，研究者推出SCOPE框架，結合小型語言模型與輕量視覺語言模型，於模擬與實體PTZ攝影機上實現即時閉環控制，證實在邊緣硬體上可維持約2Hz速率並顯著降低幻覺與錯誤。同時驗證混合專家模型在效能與記憶體占用上優於傳統密集模型，量化技術進一步提升效率而損失微乎其微。
深度分析
硬編碼等變性於 JEPA：提升樣本效率與跨姿態零樣本泛化
研究探討將世界對稱性硬編碼於潛在世界模型，使用等變編碼器與預測器，比較等變與非等變基線。結果顯示等變模型在所有旋轉設定下誤差保持≈1，遠優於非等變模型。實驗於CPU/MPS筆記本完成35步，誤差跨群組恆定，非等變模型誤差高達13至157倍。此發現顯示對稱性可提升樣本效率與零樣本泛化。
深度分析
「Echelon」邊界優先聚合訓練框架：提升 AI 模型合規性與效能的分散式微調方案
隨著跨機構AI模型開發受限於治理與資訊流規範，Echelon提出以邊界為第一級的聚合限制，僅允許安全聚合的更新與少量協調資料跨境。實驗顯示在1B參數LoRA調整下，效能與低通訊基線持平，且可審計的資訊流提升合規性。此設計亦支援WAN延遲與設備漂移的自適應同步，確保穩定訓練。