深度分析
RAG‑Pull：利用不可見 Unicode 操控檢索層以影響 RAG 程式碼生成
RAG系統為降低幻覺而引入檢索機制。本研究提出RAG‑Pull，藉由在查詢或程式庫中插入不可見Unicode字元操控檢索向量，將攻擊者控制的惡意程式片段推升至檢索結果前列，最終可能被模型直接生成並導致安全風險，實驗顯示檢索與端到端攻擊成功率極高。
深度分析
深度分析
PLACE 框架：在 GNN 中插入可學習提示以強化屬性社群搜尋
屬性社群搜尋（ACS）要求在帶屬性標註的圖上，找出既具結構凝聚力又屬性一致的社群。
深度分析
代理式人工智慧驅動的漏洞獵捕變局：大型語言模型、自動化偵測與賞金經濟調整
過去十年漏洞賞金制度由敵對走向合作；如今代理式人工智慧能自動搜尋弱點、生成利用程式碼與自動掃描系統，壓縮發現與開發時間。結果是企業收到大量低到中價值通報、修補節奏被擠壓，攻擊者同樣能更快產生零日漏洞利用，改變賞金與防禦經濟。生態與開發者生計也面臨重整。
深度分析
Moonwalk：在可逆網路上以逆雅可比實現向前微分的記憶優化
深度學習訓練通常受限於反向傳播的高記憶需求。本文提出一套以向前模式為基礎的技術，採用向量-逆雅可比乘積在可逆網路上先求輸入梯度，接著前向累積計算參數梯度，從而保留真實梯度同時降低記憶使用。實驗顯示此法在時間效率接近反向傳播的情況下，能明顯縮減記憶占用並適用於多種架構。
深度分析
LLM 在尾部風險預測的反向尺度：CRPS 顯示能力提升卻導致上尾錯配
針對成長超線性且可能突變的時序資料，研究以分布式預測檢視大型語言模型表現。使用無污染模擬基準 FBSim、合成 SIR 及多項實證資料，比對連續量化分位與二元閾值評分。結果顯示：更高能力模型在包含尾部風險的長期預測上反而更差，主要因為上尾被過度外推。
深度分析
以題目層級資料與心理計量法（CTT）強化 AI 評估：OpenEval 的實務與影響
隨著生成式人工智慧進入高風險應用場景，現行基準評測面臨建構效度不足、資料汙染與快速飽和等問題。本文主張回歸題目層級（item-level）資料以建立嚴謹的評估科學：透過題目內容、逐題回應與統計指標進行細緻診斷，可揭露題目品質、干擾因子與能力映射。
深度分析
使用 TCAP（Tri-Component Attention Profiling）透過注意力分配偵測 MLLM 後門
隨著FTaaS盛行，多模態大型語言模型面臨資料投毒與後門風險。TCAP以三元注意力剖析將注意力分為系統指令、視覺輸入與使用者文本，透過GMM識別觸發敏感頭並以EM投票隔離疑似中毒樣本，實驗顯示其能在多模型與多種攻擊下有效偵測並維持清潔效能。
深度分析
MedSAE：以稀疏自編碼器解析 MedCLIP 嵌入，提升醫療影像可解釋性
醫療AI需求準確且可解釋的模型。研究把MedCLIP胸腔X光特徵餵入稀疏自編碼器（MedSAE），以稀疏化並拆解疊加表徵以提高語義單一性。作者再用MedGEMMA自動命名與量化對齊，結果顯示MedSAE特徵較原始嵌入更具臨床對應，朝透明且可驗證的醫療表示邁出一步。
深度分析
端到端評估 FATHOMS-RAG：跨文檔與多模態 RAG 的幻覺偵測與 OCR 整合
研究指出，檢索增強生成（RAG）可減少大型語言模型的幻覺，針對多模態科學文件的端到端評估仍短缺。本文提出FATHOMS-RAG，結合短語召回與最近鄰嵌入分類器以區分放棄與幻覺，並發現封閉源系統在正確性與幻覺避免上顯著領先。該基準含93題、涵蓋表格、圖像與跨文檔問題，並由人類評估驗證指標效度。
深度分析
PeCL：以詞元級差分隱私與記憶雕塑在持續學習中保護敏感資訊
在持續學習場景下，模型會累積多種敏感資訊，傳統一刀切的差分隱私常導致效能大幅下降。本文改寫自ArXiv研究，介紹PeCL框架，透過「token級動態差分隱私」依語意敏感度分配隱私預算，並搭配「隱私導引的記憶雕塑」選擇性遺忘模型內敏感信息，同時保留跨任務不變的重要知識。
深度分析
CHRONOS：以 neural-ODE 時序索引、事件條件化 Shapley 與差分隱私協調的時序知識圖譜資料市集架構
面對時序知識圖資料市集的索引老化、估價錯配與差分隱私預算競耗，該系統提出三層架構。第一層用神經ODE衰減捷徑邊並給出召回損失界；第二層以事件條件化估價回應變動；第三層以多臂協調演算法並以高斯機制釋出私有關聯矩陣。實驗顯示召回、延遲與隱私達到競爭性平衡。
深度分析
Weierstrass 橢圓位置編碼（WePE）：以複分析重建 ViT 的二維幾何
在VisionTransformer缺乏內建二維幾何知識的背景下，論文提出Weierstrass橢圓位置編碼（WePE），以複數域上的Weierstrass函數映射影像補丁座標，維持二維網格結構並具雙重週期性與距離衰減性質。實驗顯示WePE在多數訓練與微調場景帶來一致性效益。