深度分析
量子化時間如何改變多代理強化學習：以 DQN、IDQN 與 MAPPO 在《Quantum Frog》的實驗分析
這項研究提出量子青蛙，一款以量子化時間為核心的雙人合作遊戲，並以強化學習分析遊戲激勵結構。研究比較單人、自主雙人與集中式合作訓練，發現量子化時間使「衝刺」成為普遍最優策略，合作訓練能顯著提升聯合成功率並縮短回合長度。研究也指出未協調第二玩家會大幅增加聯合難度。
深度分析
深度分析
量化推理冗餘：大型語言模型在長度無關獎勵下的過度思考分析
本報導改寫自 arXiv 研究，針對具推理能力的大型語言模型（LLM）揭示一個普遍現象：模型在解題時產生大量可削減的「尾端思考」。作者提出以「逐步截斷前綴」的實驗定義，把模型自身作為判定器：從一個正確的長序列中，逐步保留前 k 個段落並強制模型立即輸出答案，找出最小能保證正確的 k 值，進而定義步級與字級冗餘比例。
深度分析
分析 Dirty Frag 漏洞：IPsec ESP、RxRPC 與 skb frag 的跨發行版提權路徑
研究者揭露DirtyFrag核心提權漏洞，PoC程式碼流出且跨多數發行版可穩定運作。攻擊透過操控記憶體頁面快取與skb的frag欄位，結合ESP與RxRPC解密流程在記憶體內覆寫檔案，使低權限用戶或容器能升級為root，對共用與多租戶環境形成立即威脅。
深度分析
element-data 套件遭供應鏈攻擊：CI/CD 工作流程被濫用致簽章與憑證外洩
一款每月下載逾一百萬次的開源CLI套件被入侵，攻擊者利用開發者帳號工作流程中的漏洞取得簽章金鑰與存取令牌。惡意版本會在執行環境掃尋使用者資料、資料倉儲憑證與雲端金鑰等敏感資訊。開發團隊已移除惡意發佈並修補漏洞，呼籲受影響用戶更新安全版本與旋轉憑證。
深度分析
以 Open Agent Leaderboard 與 Exgentic 評估通用代理：成本、效能與復原路徑
本研究建立開放代理排行榜，以Exgentic為基礎對通用代理在六類真實任務中做統一評測，同時報告品質與成本。方法強調衡量完整系統包含規劃、記憶、工具使用與錯誤復原，結果顯示代理設計與工具選擇會顯著影響性能與費用，並發現一般化代理在多領域已能與專用系統相抗衡。
深度分析
AI Agent 術語釋義：Model、Scaffolding 與 Harness 的工程分工
AI 代理領域詞彙快速演進，常見概念易被混用，造成研究與工程溝通摩擦。本文系統化說明 model、scaffold、harness、agent、context engineering、policy、tool、skill 與訓練相關概念（如 RL 環境、trainer、rollout、reward），並示範如何在設計與部署時分層考量。
深度分析
VaCoAl：以 LFSR 與伽羅瓦域實現確定性超維記憶與 CR2 多跳衰減模型
本文改寫自近期arXiv研究，介紹VaCoAl（一種以伽羅瓦域線性回饋移位暫存器為基底的代數—確定性超維記憶架構），提出以確定性擴散替代隨機投影，並以路徑積分信賴比CR2描述多跳回放保真度的乘法衰減。
深度分析
PostEDA-Bench：以階層式基準評估簽核級DRC修復與PPA多目標收斂
在EDA流程收尾階段,工程師常需修復簽核級DRC錯誤並收斂PPA目標。本文提出PostEDA-Bench,建立含DRC-Bench與PPA-Bench的145項階層式基準,支援OpenROAD與商業工具,以機器可檢驗方式評估代理人的修復與優化能力。實驗顯示代理人在合成性任務表現佳但對實務幾何推理與多目標取捨顯著退化。
深度分析
SUDP：針對代理式系統的單次操作授權協定（結合 WebAuthn/PRF）
隨著代理式系統替用戶執行需憑證的操作，傳統授權透過將可重用祕密暴露給代理而形成風險。SUDP提出以單次、綁定操作的授權流程：代理提出操作、用戶簽發一次性授權、保管者兌換授權執行操作。此設計可防止可重用權限越過代理邊界，並提升代管與審核的可驗證性與單次性。
深度分析
從 Boltz 到小分子：蛋白質共摺疊模型在原子層表示與 ADMET 任務的可轉移性評估
分子基礎模型長期分為蛋白質與小分子兩條路線。本文將蛋白質共摺疊模型 Boltz 重新定位為小分子原子層表示器，透過從 Boltz 提取原子對表示並以探測與蒸餾方法評估其在 ADMET 屬性預測、分子生成與結構導向配體發現的表現。
深度分析
以生成式人工智慧與形式驗證強化 9-1-1 通話訓練：系統設計與量化觀察
美國緊急通話中心面臨訓練與人力雙重危機：缺額普遍超過 25%，單一新進人員訓練可達 720 小時。本研究與市政通訊部門合作，將生成式人工智慧嵌入 9-1-1 通話訓練系統，透過電信介面由基礎模型扮演來電者、生成 57 種事故場景與 100 種來電者設定，並依 1,651 項規範即時評估與提供回饋。
深度分析
CoFrGeNet：以連分式模組替換 Transformer 的生成架構與效能分析
CoFrGeNet 提出以數學上「持續分式（continued fraction）」為靈感的新一類生成模型架構，將此類結構化為可替換 Transformer 中多頭注意力與前饋網路（FFN）的模組。