深度分析
利用熵門檻與層遞迴的 EGLR 提升 LLM 推理效能
研究提出Entropy‑Gated Latent Recursion（EGLR），在高不確定性 token 上遞迴套用模型頂層 L 層，並結合溫度抽樣形成 L×T 笛卡爾抽樣空間。實驗在 MATH‑500 上，L×T Oracle 取得 91.6% 正確率，較僅溫度或僅層抽樣分別提升 8.2 與 10.4 個百分點。
深度分析
深度分析
SGCD：在長程工具使用中以信用蒸餾增強策略梯度表現
長程工具使用的強化學習常依賴結果驗證，但傳統策略梯度在長序列上只能提供粗糙的代幣層級獎勵。研究提出以兄弟樣本為基礎的信用蒸餾（SGCD），透過動態抽樣和外部大型語言模型產出步驟信用參考，重新加權 GRPO 代幣優勢。實驗在 AppWorld 與 τ³‑airline 基準上顯示 SGCD 提升至 45.6%／27.0% 及 pass@1 0.602，遠超單純自蒸餾退化表現。
深度分析
知識圖譜提升 LLM 在工業資產運營的精準度：從 65% 到 99% 的實驗結果
在工業資產管理的海量結構化資料上，研究者將傳統的文件資料庫換成知識圖譜，讓大型語言模型改為生成結構化查詢。此做法將原本65%的任務完成率提升至99%（決策式圖處理）或82%以上（LLM產生Cypher）。此外，擴增40項圖本位測試，於467情境皆保持100%通過。
深度分析
結構化漸進知識激活（SPARK）在 LLM 驅動 NAS 中的效能提升與實驗驗證
在神經架構搜尋成本高昂的情境下，研究提出SPARK透過功能因子選擇與條件化修補，降低功能糾纏。實驗顯示於CLRS‑DFS任務中，樣本效率提升28倍，OOD正確率提升至83.74%。此方法亦在十項CLRS基準上取得平均83.92%的OOD正確率，顯示其跨任務穩定性。
深度分析
硬體感知的 Speculative Decoding 優化：SMART 框架在多模態與大型語言模型上提升推論速度
隨著自回歸生成成為AI生成的核心，傳統的逐字解碼速度受限。研究提出SMART框架，於推論時以硬體感知的邊際效益‑成本比決定是否擴展草稿樹，避免因樹太大而產生負加速。實驗顯示在多款MLLM與LLM上，平均可提升15%至20%的實際運算速度。對部署成本亦有顯著降低。
深度分析
SpecDetect4AI：宣告式 DSL 驅動的 AI 程式碼味道高精度靜態分析工具
隨著AI系統快速成長，傳統靜態分析工具難以捕捉AI專屬程式碼味道。研究提出SpecDetect4AI，使用宣告式領域特定語言自訂規則，於826個AI專案測試達88.7%精確度與召回率，顯示其在效能與可擴充性上優於CodeSmile與mlpylint。此方法結合梯度屬性與激活修補等四條管線，定位層級關鍵區段，並提供跨模型、跨任務的可重複驗證流程。
深度分析
梯度干擾感知圖著色排程提升多任務學習效能的實驗分析
隨著視覺、語言、語音等多模態應用的擴大，多任務學習面臨不同任務之間梯度相衝突、收斂緩慢的挑戰。研究者提出一套以梯度干擾係數建構衝突圖，並使用貪婪圖著色將相容任務分群，每次訓練僅啟動同色任務，使梯度方向一致。排程會依照 EMA 平滑的梯度資訊定期重新著色，無需手動調整。
深度分析
AnalogSeeker：開源類比電路設計基礎模型結合 NSC‑SFT 微調技術
隨著類神經模型在設計領域的應用興起，研究團隊推出開源的AnalogSeeker，透過教材語料與多代理蒐集問答，使用NSC‑SFT微調，於AMSBench‑TQA取得85.04%正確率，超越原模型15.67點，此舉亦為台灣半導體產業提供本土化AI工具的可能性。
深度分析
Web of Agents：協作式 AI 代理的跨生態系互通標準概述
隨著協作式AI代理在各領域快速崛起，現有的A2A、MCP、ACP等協議各自孤立，難以互通。本文提出以最小化標準構建的「Web of Agents」框架，涵蓋訊息、互動、狀態與發現四大模組，主張透過既有Web技術達成跨生態系互操作，預期可降低開發成本、提升安全與生態擴展性。
深度分析
TALE：結合搜尋工具的 LLM 無參考評估方法與性能分析
隨著大型語言模型廣泛應用，傳統參考答案評估成本高且難以因應變動事實。研究提出TALE框架，讓模型透過工具自動搜尋、彙整外部證據來驗證回應。實驗顯示其在自由問答基準上與人類評分高度一致，提升評估可靠性。此方法減少對模型內部知識的依賴，並能即時因應快速變化的資訊，預示評估流程將向自動化與證據導向轉型。
深度分析
「LLM」透過字串匹配與回溯破解位元操作謎題：降低組合爆炸的全新方法
本研究針對 NVIDIA Nemotron 推理挑戰中的位元操作謎題，提出以字串相似度與結構化回溯取代傳統布林門推導的全新框架，藉由 22 種空間基底與最小位翻轉抽取約束，實現高達 98.6% 的解題正確率，顯示 LLM 在組合爆炸問題上的可行性，並為未來 AI 推理工具鏈提供新方向。
深度分析
IterCAD：多模態 LLM 驅動的閉環 AI CAD 代理人，實現看圖‑循環迭代設計
隨著多模態語言模型與程式化 CAD 框架的進步，IterCAD 以「看圖‑循環」方式，將工程圖作為參考，透過編譯、執行與視覺回饋修正幾何缺陷並產生可執行的 CadQuery 程式。實驗顯示在 IterCAD‑Draw 與 IterCAD‑Edit 基準上，其執行成功率與幾何精度顯著優於主流模型，預示將加速設計自動化。