深度分析

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。

深度分析

Diffused Reward 與 DRP：為一步生成器建立軌跡級 RLHF 對齊

近年一步式文字到影像合成走向實時化但偏離人類偏好。Didr將RLHF的報酬傾斜分佈沿擴散軌跡傳播，導出跨噪音層的Diffused Reward Score並以可微短步去噪的Diffused Reward Proxy估算。實驗顯示在一階SDXL與大尺度DiT骨幹上，Didr在偏好與FID的權衡上領先既有一階方法。

深度分析

M365 Copilot 在企業部署與治理：以 550 萬次會話分析工作型 AI 的應用與風險

本文基於大規模匿名資料，檢視 M365 Copilot Chat 在企業場域的實際使用情形。研究以約 5.5 百萬次會話為樣本，結合自下而上的使用者意圖分類與 O*NET 工作活動標註，揭示寫作與內容精修為主的使用型態，同時資訊檢索、分析決策與系統診斷等任務亦占重要比重。

深度分析

WALT：以 UV 紋理嵌入的虛擬人像水印方法與 RAW 基準評測

虛擬人像常被後製導致水印失效。本研究建立 RAW 基準並提出 WALT，將二進位訊息編碼為 UV 紋理，透過 3D 臉部重建把水印綁定於臉部幾何，提升對背景移除與放大裁切的抗性。實驗顯示 WALT 在多種 avatar 攻擊下保持高還原率，對應真實部署流程有實務意義。

深度分析

EchoDistill：以逐詞級對齊與GRPO強化音訊大模型（ALLM）在噪聲下的語義魯棒性

EchoDistill提出一種對齊式的「從噪到淨」自蒸餾訓練框架，利用凍結的乾淨音訊教師為帶噪學生提供語義參考，並在訓練時讓學生在噪聲條件下展開多條候選生成軌跡。透過群體相對策略優化（GRPO）結合逐詞級的令牌對齊獎勵與音訊感知的獎勵塑形，EchoDistill鼓勵模型在雜訊下依據真實聲學證據做出推理，而非退回語言先驗。

深度分析

lm_head 奇異值分解（SVD）：無推論下的 LLM 詞彙子空間稽核方法

本文以lm_head權重做奇異值分解（SVD），提出一種無需推論的靜態檢視法。只用五行PyTorch就能從左奇異向量抽出詞彙群集，揭露訓練語料偏向與可疑內容。多模型實驗顯示某些倫理敏感子空間在基礎與指令微調後仍存在，建議將該分析納入預發布安全稽核。