深度分析

深度分析

HBHC（Heartbeat‑Bound Hierarchical Credentials）：在離線環境實現確定性撤銷（JWT、OAuth 2.0、ECDSA）

背景：自治型AI代理會衍生多層子代理，傳統撤銷仰賴中心化查詢留下殭屍代理風險。做法：HBHC以父代理定期簽發心跳、把心跳嵌入子代理驗證，驗證者僅用本地時鐘與快取公鑰檢查新鮮度，無需網路回合。影響：實驗顯示可確定性地在有界時間內終止子孫憑證並大幅縮短暴露窗。

深度分析

VLM→RAG LLM 雙階段管線：針對低資源原住民語的文化影像標註翻譯

美洲NLP2026文化影像標註任務挑戰低資源族語與文化語域，佛羅里達大學Gators提出雙階段流程：先以西班牙文由視覺語言模型生成中介說明，再以檢索增強的多示例提示由大型語言模型進行長上下文翻譯。實驗顯示對若干目標語言在開發集與測試集上均明顯優於基準，且檢索與合成資料在成效中扮演關鍵角色。

深度分析

EncMin2L：以兩層Tippett最小p值融合多編碼器的表徵空間擴散模型進行分布外偵測

本文報導一套名為 EncMin2L 的多編碼器表徵空間擴散（RDM）分布外偵測框架。

深度分析

STELLAR：以 Sparse Window Transformer 與多模態 BEV 統一架構擴展自駕三維感知

研究探討大規模訓練是否適用於自駕三維感知。提出STELLAR模型，以SparseWindowTransformer整合LiDAR、相機、雷達與surfel地圖，在五千萬駕駛樣本和近五億參數規模下訓練，實驗結果於Waymo基準顯著提升三維目標檢測表現。

深度分析

Sugar：三階段影片驅動到 sim-to-real 的人型機器人全身操控管線

面對人型機器人在非結構化環境下進行全身移動與接觸操作的難題，Sugar提出一個從大量無標註人類影片出發的可擴展流程。系統先自動抽取人與物件的運動軌跡與接觸事件作為「運動先驗」，再以具特權資訊的物理模擬強化學習逐步修正這些粗糙先驗，最後蒸餾成階層化策略：上層生成命令，下層追蹤並轉為關節控制。

深度分析

CIST：樣本自適應溫度穩定軟標籤以強化知識蒸餾

知識蒸餾常以固定溫度 τ 平滑教師預測以揭露「暗知識」，卻忽略樣本間 logit 尺度差異，導致軟標籤熵值高度不一致。CIST（Consistently Informative Soft-label Temperature）提出針對每個樣本的自適應溫度，並對教師與學生採用獨立溫度，同時依教師信心與學生學習難度重新加權蒸餾損失。

深度分析

Tiny-Engram：以觸發詞索引的詞槽式 PEFT 實現生成式視覺個人化

Tiny-Engram 提出一種將視覺記憶以詞彙位址明確化的輕量化模組：用註冊的 n-gram 觸發詞索引一張小型概念表，僅在觸發詞對應的詞元區段注入記憶向量，並保持影像/影片生成器主體權重凍結。

深度分析

DG‑Hard（Donoho‑Gavish 硬闕值）光譜濾波：微調後能力退化的免資料事後修復

微調常導致模型既有能力退化。論文提出DG-Hard，對微調權重差分做奇異值硬閾值濾波，保留高能結構、去除光譜雜訊。實驗顯示在多組模型與跨域基準上，能在不需資料與再訓練下回復受損能力並保留任務收益。此方法無需基準資料、梯度或訓練即可在數分鐘至數小時完成修復。

深度分析

Mirage 框架：用 LPR、CKA 與幾何局部化驗證視覺模型的真正遺忘

在合作性與法規場域下要求選擇性遺忘的情境引出研究議題。Mirage以表示層稽核──含線性探針、CKA、可分離性評分與分層回復分析──衡量遺忘是否真實。結果指出，多數方法雖通過輸出級認證，內部表徵仍保留可線性回復的類別結構，顯示表徵層遺忘與輸出行為間有顯著脫節。

深度分析

Chronicle 多模態骨幹：decoder-only Transformer 聯合預訓練文本與時間序列

Chronicle提出一個從隨機初始化同時學習自然語言與時間序列的多模態基礎模型。研究用單一的324M參數解碼器型Transformer，讓文本標記與時序patch共享相同的模型層、注意力與殘差流，僅在輸入輸出介面保留模態差異。預訓練以大多為單模態的微批次為主，並在第二階段以少量交錯樣本完成顯式對齊。

深度分析

雙教師自蒸餾（SelfCI）：透過反向 KL 與 PoE 平衡隱私與效用

隨著大型語言模型被當作個人助理運行在敏感資料上，情境完整性（Contextual Integrity, CI）成為衡量 disclosure 適當性的關鍵指標。

深度分析

GrandGuard 基準：高齡情境下 LLM 風險分類、標註資料與雙軌防護

GrandGuard 提出首個系統性框架，專注於大型語言模型與高齡者互動的情境風險。研究建立包含50種細項風險的三層分類，並以10,404個標註範例構成嚴重度敏感基準，指出多款主流模型在高齡情境下逾半數案例處理不當。