深度分析
從固定系統到擴展族：Transformer、脈絡管理與圖靈完備性分析
本文重構「Transformer 圖靈完備」的討論脈絡，提出兩種不同的分析框架：固定系統（single fixed system）與擴展族（scaling-family）。作者指出，多數既有證明其實依賴可伸縮的假設（例如無上限的上下文視窗或越來越高的數值精度），但實務部署中的大型語言模型通常是單一已訓練模型加上固定的脈絡管理機制。
深度分析
深度分析
從 Gittins 到 CAUSE：以 Kalman 濾波分離波動性與觀測噪聲以優化探索策略
探索與利用的取捨是自適應決策的核心。研究區分潛態報酬的波動性與觀測噪聲的隨機性，並在高斯狀態空間賭徒問題上分析其差異。提出名為CAUSE的控制即推理閉式探索指數，能分解為利用與探索兩部分並保留對兩種噪聲相反的影響。結果顯示波動性促進探索而隨機性抑制探索，對演算法與行為解析具體影響。
深度分析
ECA：以型別化證書與確定性閘門強化多模態代理授權安全
面對多模態模型將錯誤視覺判斷當作執行依據，研究提出Evidence‑CarryingMultimodalAgents（ECA）。ECA以受限驗證器為OCR、DOM與UI產生型別證書，並以確定性閘門僅在證書齊備時授權執行。實驗於紅隊與端到端測試中顯著降低不安全執行率。
深度分析
Agentic Affordance Profile（AAP）：以四維框架量化知識圖譜對代理的可用性
以LLM協調的代理人普及，現有KG元資料多只說明內容，無法保證代理可從中證成所需知識。本文提出Agentic Affordance Profile（AAP），以語意表現、代理可發現、任務綁定與認知信任四維量化KG對特定代理的可用性，並將不足對應為可執行補救，幫助代理在規劃階段選擇與組合資源。
深度分析
高斯過程與偏好學習：建立代理人政策閘道的信任校準
研究聚焦在代理人何時可自主執行行動的信任校準問題。方法把二元核准/拒絕回饋視為偏好學習，利用高斯過程配合probit觀測模型估計人類風險容忍函數，並以不確定性驅動查詢在人類最需介入處升級。實驗顯示此策略能跨類動作泛化並在變動容忍度下回收邊界，顯著減少人工打斷。
深度分析
ReElicit：以引導式嵌入與貝式優化提升系統提示效能
系統提示是現代 AI 控制的關鍵元件，但在只有聚合回饋（scalar feedback）情境下難以調校。ReElicit 提出「引導式嵌入」（embedding by elicitation），由 LLM 從任務說明與已評估提示與分數中萃取少量語意維度，形成可供高斯過程代理模型與貝式優化使用的連續表示；
深度分析
文件 AI 生產化設計：以微服務串接 OCR 與 LLM 管線
文件理解研究雖重模型，實務部署卻缺工程指引。本文描述三個微服務架構，分離GPU推論與CPU編排，採混合分類、非同步處理與水平擴充，把掃描→OCR→文本縫合→LLM抽取串成生產管線。實務發現OCR主導延遲，混合策略兼顧成本與準確度。可供工程團隊參考。
深度分析
Teger：用曲率感知邊權與低秩＋對角協方差的機率性時空殘差建模
交通預測常見殘差在時空網路上累積擴散，導致長期預測退化。本文提出Teger，一個將曲率感知邊權重新加權並結合低秩加對角噪聲頭的概率性框架，能在不改變拓樸下強化瓶頸邊資訊流並保留Woodbury式可解推論。實驗顯示在多種骨幹模型與資料集上提升了概率預測的CRPS。
深度分析
量子 Sidecar：以受限量子提案強化混合式 AI 的訓練與推論介面
為了緩解Transformer訓練與推論的瓶頸，研究提出量子sidecar架構。分為保護暫存器模式（保存可重用量子資源並以QND式讀取）與重置重準備模式（每次準備、演化、測量、重置）。實驗顯示sidecar能生成受限控制信號，供古典優化與路由模組使用。這為量子—古典混合訓練與推論提供可落地的介面與研究路徑。
深度分析
頻率濾波揭示模算術任務中過參數化模型的記憶與泛化共存機制
本研究以模算術（modular arithmetic）任務作為受控環境，探討過參數化神經網路如何在高比例標籤噪音下同時出現記憶（memorization）與泛化（generalization）行為。作者在二層網路上系統性變化寬度、激活函數、優化器與正則化，發現：增大模型在適當設定下仍有助於泛化；
深度分析
TinySAM 2：以記憶質量管理與時空令牌壓縮實現裝置端影片分割
TinySAM 2提出以記憶質量管理與時空令牌壓縮為核心的輕量化影片分割框架，針對SAM 2在多階影像編碼器與記憶注意力上的高計算負擔做出結構性優化。方法包括在空間上以池化降低令牌冗餘、在時間上以相似度選取最具資訊性的令牌，並以RepViT作為輕量影像編碼器。
深度分析
Stable Audio 3 技術剖析：SAME 自編碼器、變長潛在擴散與對抗式後訓練
Stable Audio 3 是一組基於潛在擴散的音訊生成與編輯模型（small、medium、large），核心在於一個語意‑聲學（semantic‑acoustic）自編碼器與變長生成機制。自編碼器以極大壓縮比（4096×）將44.1kHz立體聲波形映射到256維潛在序列，保留頻譜與語意特徵以利擴散建模；