深度分析
AI 設計模式的系統化調查：結合 LLM 文獻萃取與 GitHub 主動學習驗證
隨著大型語言模型的崛起，AI 應用程式的設計模式成為提升品質的關鍵。研究團隊先從 44 份文獻中萃取 14 種 AI 設計模式，並以詞向量聚類細分為 78 個候選，再手動精煉成最終類別。
深度分析
深度分析
Cross4D‑JEPA 利用稠密跨模態蒸餾提升 4D 點雲表示學習效能
隨著動態4D點雲在機器人感知中的重要性提升，研究提出Cross4D-JEPA以密集跨模態對應將2D基礎模型蒸餾至4D點編碼器，透過每點投影特徵、無遮蔽、無負樣本的目標訓練，實驗在MSR-Action3D與HOI4D基準上均超越內模與全局跨模方法，且在相同訓練預算下提升標籤效率，參數僅為傳統骨幹的1/13。
深度分析
BaseRT：利用 Apple Metal 在 Apple Silicon 上達成最高 LLM 推論效能
BaseRT 是一套直接建構於 Apple Silicon Metal API 的大型語言模型（LLM）推論執行階段，透過晶片專屬的 kernel 融合、統一記憶體感知的資料排布與自訂的指令派遣機制，克服了 llama.cpp 與 MLX 等框架的抽象層開銷。
深度分析
利用即時使用者回饋微調擴散模型：PAPA 與 EPAPA 方法概述
隨著擴散模型在影像與文字生成上表現卓越，個人化推薦需要即時調整使用者偏好。PAPA 直接以使用者即時回饋優化模型，省去大量獎勵模型訓練，並透過變分推論提升探索效率。實驗顯示於細粒度對齊任務中收斂更快、樣本多樣性更佳，為線上個人化生成提供可行方案。
深度分析
MoAI 在行動裝置的安全挑戰與防禦策略：從模型防護到可信執行環境
隨著行動裝置AI（MoAI）在手機上本地化推論，提升隱私與低延遲，同時也將模型存於裝置，暴露新攻擊面。研究系統化安全支柱、攻擊分類與防禦機制，指出模型竊取、後門與能耗攻擊等威脅，並比較現有防護如模型混淆、TEE與水印的效能與限制。此分析預示未來在裝置端訓練與生成式AI時，安全需求將更趨嚴苛。
深度分析
E‑FLoPS：結合 L0 約束與熵正規化的稀疏聯邦學習新方法
在資料稀疏且客戶端參與不均的聯邦學習環境下，研究提出以熵正規化的機率門來維持稀疏模型的探索性，結合 L0 约束與硬混凝土分布，實驗顯示相較於 FedAvg 後剪枝或 Fed‑IHT，測試準確度與稀疏度恢復均有顯著提升。此外，方法在不同 GPU 架構與客戶端參與比例下仍保持穩定加速 15%~20% 的運算速度，預示未來在 AI 服務部署與成本優化上具備廣泛應用前景。
深度分析
「EgoSafetyBench」：首個自我視角影片基準評估視覺語言模型即時安全防護能力
隨著視覺語言模型被提議作為家庭與工廠機器人的即時安全守護，研究團隊推出EgoSafetyBench，收錄1,200個機器人視角影片，細分情境與視覺訊號誤導兩軸，測試模型在偵測明顯與情境危險、以及對錯誤標示的反應。結果顯示即使最先進模型也常錯過關鍵危險時刻，且誤導文字會導致過度干預或漏判。
深度分析
群組相對策略最佳化（GRPO）及其變體 Dr.GRPO、DAPO：從標準差到訓練樣本需求
本研究探討語言模型在可驗證推理訓練中的核心機制，聚焦於群組相對策略最佳化（GRPO）對標準差的運用，說明其與Dr.GRPO與DAPO的差異，並以數學分析說明樣本數需求與訊號強度，最後預測此技術對AI訓練效率與商業部署的長遠影響。此分析亦比較傳統強化學習獎勵設計，指出GRPO在多樣本不一致時提供更穩定的梯度訊號。
深度分析
拓樸空洞（TVA）框架：利用向量嵌入與 SLERP 自動發掘技術缺口
本研究針對軟體與硬體技術文件建構高維嵌入空間，提出拓樸空洞（TVA）框架以自動發掘未被覆蓋的概念三元組，並透過球面線性內插檢驗中點是否被占用。實驗顯示在Linux核心與x86特性上，TVA可在數十億候選中篩選出少數具創新潛力的空洞，顯著降低人工探索成本。
深度分析
AI‑Atomic‑Framework (ATM) 在多代理 LLM 寫入治理中的原子化實作與評估
隨著多代理 LLM 在軟體開發中同時產生寫入意圖，AI‑Atomic‑Framework (ATM) 提出以原子與 CID 仲介者進行平行、序列或失敗封鎖的預寫入治理，實驗涵蓋 12 種情境、三個實際案例與 20 個測試，證實 ATM 能在不取代 Git 合併的前提下，提供可審計的寫入前審批機制。
深度分析
Libra：以 Markdown 目錄驅動的自我演化 LLM 程式碼索引框架
隨著大型語言模型在自動程式撰寫中的應用，資訊檢索成關鍵瓶頸。Libra透過可變的Markdown目錄，結合Prompt、Solver、Healer三個凍結LLM形成對抗式優化迴路，使索引自動調整。實驗顯示在SWE‑benchLite多個倉庫中，代碼定位精度持續以對數幅度提升，且可跨模型零樣本遷移。
深度分析
PRA‑RAG：可證明魯棒的檢索聚合防止文字中毒攻擊
隨著檢索增強生成被廣泛應用，文字中毒攻擊成為安全盲點。研究提出PRA‑RAG演算法，利用多組檢索組合與最小半徑球選擇穩健子集，將攻擊成功率壓至1%，同時保持71%準確度。此外，作者給出語義偏移上限的理論證明，將最大偏移限制在2R以內，為RAG系統提供可量化的安全指標。