深度分析

深度分析

合成專利資料與多標籤分類：LLM 在體積與分布保真度間的效能分析

本報導改寫自近期 arXiv 研究，檢視大型語言模型（LLM）生成之合成專利資料，何時能改善多標籤專利分類表現。研究在助殘技術專利資料上，採用六款開源生成器、四種真實資料稀缺情境、兩種生成策略（標籤條件的完整生成與改寫）與三類分類器，並設計固定預算混合實驗與多項洩漏控制。

深度分析

Inverse Learning 與 Inverter 框架：以前向/逆向模型實現序列化決策與階層化規劃

本研究提出神經啟發的逆向學習（Inverse Learning, IL）框架，配對前向模型與逆向模型，分塊一次輸出多步動作。IL可透過整段序列優化產生平順、具全局軌跡結構的控制策略。實驗於多種迷宮與antmaze基準上，普遍超越離線RL與擴散規劃器，同時大幅降低推論耗時。

深度分析

以中性（Neutrosophic）邏輯揭示大型語言模型的認識不確定性與超真現象

LLM在高風險情境需精準表達不確定性。本研究以中性邏輯讓模型回報Truth/Indeterminacy/Falsity三維獨立值，允許T+I+F>1以呈現悖論與價值衝突。實驗顯示非受限中性提示常見「超真」簽章，對AI安全與倫理揭示關鍵影響。

深度分析

飽和式冪律與平均場模型：在算術、布林與串列基底的符號發現成長分析

本研究針對確定性等式發現系統，在三個玩具基底上量化成長動力。研究使用經驗回歸與平均場飽和封閉模型，形式為dN/dt=K·N^k·e^{-μN}，並與短期純冪律比較。結果顯示成長型態受基底條件左右，跨基底預測難以移轉，部分真實庫觀察到飽和跡象。

深度分析

QUIVER：量化複合LLM管線中擾動傳播與分岔閾值

聯合多個大型語言模型組成的複合AI系統成為生產架構。本文提出QUIVER形式框架，定義敏感度矩陣、出現提升與三元軌跡發散等量測，並導入分岔閾值與分佈忠實度指標，用以量化擾動如何跨結構傳播。實驗在兩個企業級管線與公開多跳問答上驗證，揭示不同拓撲有顯著敏感度輪廓並能定位評估失準來源。

深度分析

Machine Psychometrics方法論：結合IRT/SDT與Mindprint促進可審計的Trust Protocol

面對能溝通、使用工具且參與工作流程的人工代理，研究提出Machine Psychometrics，主張建立嚴謹的測量層級來描述人工系統的潛在行為傾向。

深度分析

形式驗證代理技能：靜態效果分析、精化型別與SMT-BMC 的三層驗證鏈

本文針對如何把代理技能（skill）在宣告或測試等級之上，升級到可機械檢查的「formal」驗證等級提出完整方法。作者先在語義層面把技能消費分成 deterministic 的腳本端與 stochastic 的 LLM 端，將驗證目標形式化為「能力包含性」。

深度分析

Context 架構：寫時上下文、智慧程式庫與主動目標流狀態機

本研究把被動式對話代理改為主動目標導向的Context架構：寫時預組能穩定重用的上下文區塊、可組合受限沙箱程式庫與主動狀態機。論文證明主動代理在多方協作中能削減協調輪次，於不降低成果品質下提升效率並支援跨平台治理一致性。與現行RAG、AutoGen等方案比較，強調寫時一致性與程式庫治理的可證明性。

深度分析

以 DRIFT-Bench 分解矛盾與可滿足漂移：MUS-Repair 對多回合約束推理的修復評估

研究檢視多回合約束推理失敗模式，指出系統常保持內部一致卻回應違反先前承諾。作者提出DRIFT-Bench與MUS-Repair，結合解算器在每回合檢驗分類、以最小不可滿足子集回饋修復並重試答案。實驗顯示修復後殘餘錯誤近乎完全為可滿足漂移，矛盾性幾乎降為零，意義在於須建立第二道驗證以檢查回應是否尊重已維持狀態。

深度分析

DRIVE：以雙層技能模型分離推理與互動，提升網頁代理的泛化與可執行性

面對動態網頁，DRIVE提出雙層技能架構：以自然語言表達可轉移的推理技能，並以程式化互動技能承接頁面可執行操作。系統根據任務語意與頁面情境檢索並協調兩類技能，並以技能層級反思分別更新庫內條目，有效抑制布局變更導致的執行失敗，平均成功率達52.8%。

深度分析

Authority Inversion：大型語言模型在感測與使用者衝突下的權威倒置現象與校正方法

這篇研究揭示一個在 LLM（大型語言模型）介入的無所不在系統中被忽略但具危險性的失效模式：Authority Inversion（權威倒置）。

深度分析

BODHI：以結構化領域知識提升 LLM 在 OSV-Bench 形式規格生成的準確度

作業系統核心形式驗證需精準規格，但手動撰寫昂貴。BODHI 以結構化 C→Python/Z3 翻譯指南擴充 few-shot prompt，分離前置檢查與後置狀態更新等關切點，並示範 15 類翻譯模式。實驗在 OSV-Bench 上顯著提升多款模型 Pass@1，顯示領域知識注入可實質改善規格生成。