深度分析
KCoT 框架：以 k-means 形式化 Transformer 中的 Chain-of-Thought 於文字屬性圖
本研究提出KCoT框架，將Chain-of-Thought於文字屬性圖上視作以k-means為核心的聚類式推理。透過語義判別提示與結構導向對齊，模型在推理過程中以反覆的分配與中心更新來調整節點表示。實驗於多個標準資料集顯示較現有方法穩定提升效果並增進可解釋性。
深度分析
深度分析
Hylos：以 operability contract 與 SpatialTransaction 將生成式空間 AI 轉為工程可用的 3D 基底
生成式空間 AI 能快速產出視覺上逼真的 3D 資產，但缺乏讓下游系統可操作、驗證與回滾的結構化界面。Hylos 提出以 operability contract 為核心的系統架構，透過場景型別化、證據集合、可承認的執行器與 SpatialTransaction 事務邊界，把模型提案封裝成可驗證、可回滾、具來源追溯的場景變更。
深度分析
cSG-MCMC＋軟標籤：在凍結RoBERTa上提升GoEmotions標註分佈忠實度與不確定性可解釋性
情感分類存在標註者分歧與概念模糊。研究在凍結的RoBERTa線性頭上結合循環SG-MCMC與軟標籤訓練，從五個軸向評估不確定性品質。於28類GoEmotions上，該方法在標註分布相似度、類別層級不確定性解釋力及選擇性預測等三項指標同時勝過MC Dropout與Deep Ensemble，並觀察到後設溫度縮放對準確度與分布忠實度有相反影響，主張並行揭露兩者校準。
深度分析
中位數交叉熵在 Top-K 蒸餾與 Qwen 微調中提升模型品質追蹤的實證比較
研究指出平均交叉熵常被少數高損失樣本拉高，可能無法反映下游任務品質；研究以微調與Top-K蒸餾實驗比較平均值與中位數與其他分位數，發現中位數更貼近任務表現，建議驗證時同時回報分位數以偵測分布重塑。這對模型選擇和小模型蒸餾策略有實務意義。可用作低成本診斷。
深度分析
LoRA 夜間權重鞏固：將使用者互動折疊入 LLM 的三階段流程
研究指出僅靠上下文壓縮無法長期保存用戶偏好；本文提出以 LoRA 為核心的夜間權重鞏固流程，透過反思、合成與訓練將互動知識寫入權重；實驗顯示在十組開發會話中，壓縮三輪僅保留約36.8%知識，而夜間整合可達約80.4%，大幅提升程序性與專案記憶保存效果。
深度分析
假說生成與歸納推理比較：Box 任務下兒童與大型語言模型的行為與模型化
研究以 Box 任務檢視兒童與大型語言模型在不確定條件下的假說生成。採貝式粒子式程式歸納，提出約束集合與 LLM 程式合成兩種實作。結果指出雙方在處理不可靠證據與部分可觀測性時有相似反應，但在觀察成本與先驗偏好上存在差異，影響規則類化與資訊搜尋策略。
深度分析
格論與數學形態學框架下的深度捲積：MMBB 表徵與 UResNet 設計
研究從格論與數學形態學出發，重構CNN、ResNet與UNet等卷積架構的代數基礎。論文把卷積、ReLU與最大池化分別對應為不同格上的侵蝕、聯結關閉與膨脹，並證明標準CNN堆疊非冪等，解釋深度帶來的表徵力。研究還辨識三類冪等形態學層，並提出UResNet以開閉殘差重建尺度結構。
深度分析
Hera：步級協調器在裝置與雲端間平衡 LLM 代理的效能與成本
Hera 提出一種針對長期、多步驟任務的步級（step-level）裝置—雲端路由機制，透過兩階段訓練達到效能與成本的折衷。第一階段以模仿學習提供冷啟動；第二階段以考量雲端使用成本的強化學習微調，將相似狀態分群、以偏好標籤引導決策。
深度分析
FinCAD：上下文感知解碼抑制（CAD）以減除大型語言模型的參數前瞻偏差於金融回測
大型語言模型在金融回測時會因訓練截止前已知的股價走勢而產生參數前瞻偏差，導致樣本內績效被高估。研究者提出 FinCAD，結合對抗式記憶觸發指令與實體‑日期自適應的上下文感知解碼（CAD），在推理時減弱模型對歷史結果的記憶。
深度分析
公開權重模型的治理地平線：Hugging Face 實證與傳播半衰期
研究在Hugging Face上追蹤公開模型的倫理限制傳播。以證據分類衡量衰減，結果顯示限制證據以指數速率下降，半衰期約1.31代；超過七代多數後代已無足夠公開證據可判定治理責任，指出揭露式治理深度有限，需可溯源機制補強。並結合平台設計與技術性來源追溯的比較分析。
深度分析
MRC：以Shapley歸因與貝式平滑實現多代理LLM投組線上權重分配
加密資產投組管理面臨多模態訊號與制度切換挑戰。本文提出市場制度議會（MRC），以計算所有子聯盟的精確Shapley值作為線上授信，並結合貝式自適應混合與制度乘數穩定早期學習，透過五層因果追溯提升可解釋性。實驗回測顯示在多項風險調整指標上具競爭力。
深度分析
以 SFT 與 RLVR 將 GameCWM 生成功能蒸餾至小型 LLM
背景：LLM能將自然語言轉為可執行遊戲環境但往往仰賴昂貴前沿模型與推理修正；本文以監督微調與可驗證獎勵的後訓練流程將GameCWM能力蒸餾到小型模型，實驗顯示Qwen2.5-3B經SFT與RLVR後在語法與執行符合度上獲得提升，指向更可擴展的自動化環境生成路徑。