深度分析
「TypewriterLM」：首款以 1913 年前英語語料與詞彙限定指令微調的歷史語言模型全解析
研究針對1913年前英語文本打造歷史語言模型TypewriterLM，透過54億字元的TypewriterCorpus與詞彙限定指令微調，確保無時間泄漏，評測顯示模型在歷史事件上具備時間一致性且在一般基準上具競爭力。此模型亦為人文與自然語言處理跨領域研究提供新平台，未來可支援歷史語料分析與時間語意推理。
深度分析
深度分析
針對共變量校正的 LLM 假設生成：條件式框架與兩種 Lasso 技術的實驗驗證
本研究針對文字分析引入研究者指定的共變量，提出條件式假設生成框架，利用互動式Lasso與去均值重加權技術，解決層次不均與符號反轉問題，實驗證明在合成與真實資料上可產生更具實用性的假設，此方法相較於傳統全域Lasso，能在特定子群內捕捉差異，提升研究者對政策或教學品質的洞察，並提供未來在AI社會科學應用的擴展方向。
深度分析
Glass Box：CubeSat 軌道 AI 的憲法式執行驗證框架與效能分析
隨著軌道雲端運算興起，AI 工作負載在低軌道自主執行缺乏即時治理。Glass Box 於每筆 AI 決策前檢查六項物理憲法限制與七條 LTL 安全不變式，並回傳可解釋分數與審核日誌。實驗顯示其驗證開銷與條目數呈線性關係，為未來軌道 AI 安全基礎設施奠定基礎。
深度分析
「SCOPE」框架：邊緣 AI 下自然語言驅動 PTZ 攝影機的即時控制與視覺語言模型整合
隨著語言模型在機器人領域的應用日增，研究者推出SCOPE框架，結合小型語言模型與輕量視覺語言模型，於模擬與實體PTZ攝影機上實現即時閉環控制，證實在邊緣硬體上可維持約2Hz速率並顯著降低幻覺與錯誤。同時驗證混合專家模型在效能與記憶體占用上優於傳統密集模型，量化技術進一步提升效率而損失微乎其微。
深度分析
硬編碼等變性於 JEPA：提升樣本效率與跨姿態零樣本泛化
研究探討將世界對稱性硬編碼於潛在世界模型，使用等變編碼器與預測器，比較等變與非等變基線。結果顯示等變模型在所有旋轉設定下誤差保持≈1，遠優於非等變模型。實驗於CPU/MPS筆記本完成35步，誤差跨群組恆定，非等變模型誤差高達13至157倍。此發現顯示對稱性可提升樣本效率與零樣本泛化。
深度分析
「Echelon」邊界優先聚合訓練框架：提升 AI 模型合規性與效能的分散式微調方案
隨著跨機構AI模型開發受限於治理與資訊流規範，Echelon提出以邊界為第一級的聚合限制，僅允許安全聚合的更新與少量協調資料跨境。實驗顯示在1B參數LoRA調整下，效能與低通訊基線持平，且可審計的資訊流提升合規性。此設計亦支援WAN延遲與設備漂移的自適應同步，確保穩定訓練。
深度分析
生成模型 reward‑tilted 分布的偏差來源：有限粒子 Doob h 近似與模式內/跨模式問題
在生成模型中，利用獎勵指導將樣本傾斜至高獎勵分布，但實務上常出現reward hacking。研究指出此問題源於有限粒子Plug‑in估計Doob h函數的近似，並提出封閉式獎勵衰減排程與best‑of‑n抽樣可緩解偏差，實驗在高斯混合、棋盤與FLUX.1文字到影像生成上驗證有效。
深度分析
利用 Verdict‑and‑Refinement 方案優化 FOLIO、MALLS NL‑to‑FOL 標註與 LLM 評估
本研究檢視FOLIO與MALLS基準，發現約39%與36%標註錯誤，並提出LLM輔助審核框架，使人工校正僅需檢視24%與13%資料即可達90%正確率，修正後三款主流LLM在測試上提升9至22個百分點，顯示資料品質對神經符號AI評估關鍵與未來發展有關。
深度分析
機制導向機器學習：大型語言模型必須先明確辨識結構以避免敘事崩潰
本篇立場論文指出，在高維度觀測資料下，僅靠預測成功與流暢敘事無法保證機制發現，因為多種不相容的機制會產生相同的代理關係。作者主張研究應優先明確定義辨識假設與干預設計，讓機制查詢可從代理資料中唯一回應。文章比較了符號回歸、稀疏辨識、物理感知逆問題等現有方法，說明它們在有辨識結構時才能發揮效用；
深度分析
「Activation Oracle」四大改進：降低幻覺、提升可解釋性與指令遵循度
Activation Oracle（AO）是經過微調的語言模型，能接收原模型的激活訊號並以自然語言回答問題。現有 AO 常出現幻覺、模糊與文字倒置等評估困難。研究者針對訓練流程提出四項改進：使用 on‑policy 產出、優化對話資料集、同時注入多層激活與提升注入幅度，並開源首套 AO 評估基準 AObench。
深度分析
ReLoRA 以分階正則化提升 LLM LoRA 適配器相容性與效能
隨著大型語言模型持續更新，原有 LoRA 適配器會失效。ReLoRA 透過 Bayesian 優化融合舊適配器與模型演化差異，並以分階正則化快速再訓練。此作法結合適配器與模型演化的知識，提供相容性起點，並以兩階段正則化先快速收斂再精細調整。實驗顯示可將上線時間縮短近 9 倍，精度提升最高 4.6%。
深度分析
TRAP 攻擊：利用對抗貼片劫持 VLA 模型的 Chain‑of‑Thought 推理
研究指出，將Chain‑of‑Thought推理加入視覺語言行動模型可提升通用性，但同時成為攻擊新向量。研究者提出TRAP攻擊，以紙製對抗貼片干擾中間推理，成功誘導機器人執行錯誤動作。實驗顯示在三種模型上均能高成功率劫持，凸顯須加強CoT安全防護。