深度分析
BehaviorBench：基於區塊鏈交易與預測市場的個人化決策基準
隨著AI代理人越來越介入決策支援，研究推出BehaviorBench，以真實公開的預測市場交易紀錄建構個人化決策基準，分為信念與交易兩層，實驗顯示加入使用者歷史可提升預測準確度，且不同歷史呈現方式影響表現差異。模型在信念預測上提升約7%，交易方向正確率亦有顯著提升。
深度分析
深度分析
MOSS‑Audio 採用編碼器‑適配器‑解碼器架構，實現多模態音訊理解與時間標記
MOSS-Audio旨在打造同時支援語音、環境聲與音樂理解的統一模型，透過DeepStack跨層特徵注入與時間標記，提升多任務表現，於多項基準測試中達到領先成績。模型提供4B與8B兩種規模，分別針對指令執行與深度推理優化，顯示統一音訊模型在未來語音助理的基礎建設上具備可擴展性。
深度分析
「Decan 指標」：以資訊理論測量 LLM 多樣性並與人類寫作比較
研究提出以資訊理論為基礎的「Decan」多樣性指標，透過單次前向傳遞取得每位元驚訝度，無需嵌入模型或人工標註。實驗在McDiv基準與OLMo‑2‑7B後訓練流程上均展現與人類判斷相近的表現，並偵測到RLHF導致的多樣性下降，此指標亦可用於比較不同解碼策略的多樣性貢獻。
深度分析
STaR‑KV：時空自適應 KV 快取壓縮提升 GUI 代理人效能與記憶體利用率
圖形使用者介面（GUI）代理人因KV快取隨交互步驟線性增長而受限，STaR‑KV提出時空自適應重新加權，透過子空間互資訊、時間穩定折扣與熵導溫度三軸校準，於四項基準測試中在相同記憶體預算下提升準確度並減少近40%峰值GPU記憶體效能使用。
深度分析
研究揭示大型語言模型導致公共討論論點高度收斂
本研究探討大型語言模型在公共辯論寫作中是否會導致「論點坍縮」──即不同模型產出相似的主要論點與段落結構。研究比較《紐約時報》與《波士頓評論》論壇的人類與模型回應，發現模型的主要論點唯一性僅約3%，遠低於人類的65%，且在次級論點與結構上亦高度同質。此現象可能削弱公共議題的多樣性與觀點深度。
深度分析
跨實例注意力路由：MLA 在 H100 叢集上的低延遲效能分析
研究指出，當大型語言模型的KV快取跨GPU分割時，使用Multi‑headLatentAttention以路由查詢代替搬移快取，可在多節點H100叢集上減少超過70%的傳輸位元，且在小批次查詢下以十微秒等級的延遲取代毫秒級的快取重組。此結果為未來跨實例推論提供實務參考。
深度分析
TechGraphRAG：利用 GPT‑4o‑mini、FAISS 與 Neo4j 提升工程文獻推理的 RAG 系統
本研究針對智慧輪胎與車輛動態等領域的兩千餘篇技術文獻，開發了TechGraphRAG——一套結合代理式檢索、知識圖譜與外部學術資料庫的13步驟RAG框架。系統可自動分類查詢意圖、評分證據充足度、在內部與外部資源間迭代搜尋，並以圖譜關聯提升答案可信度。實驗顯示，此架構在文獻導航與技術推理上顯著提升了證據完整性與回應品質。此外，框架透過Neo4j圖譜的共引與作者關聯，提供跨論文結構化檢索，提升答案可追溯性。
深度分析
TN‑SHAP‑G：利用圖形結構張量網路高效計算 Shapley 值與高階互動指標
研究針對圖形資料的模型解釋提出TN‑SHAP‑G框架，利用圖結構對齊的張量網路壓縮指標表，僅需少量查詢即可確定Shapley值與高階互動指標，實驗顯示在分子基準上與精確值0.99以上相似，且查詢量比抽樣方法低十至百倍。此方法亦適用於其他圖形預測任務。
深度分析
MAAD：結合檢索增強生成與階層記憶的多代理軟體架構設計框架
隨著軟體需求日益複雜，傳統架構設計耗時且依賴專家經驗。MAAD透過四個專職代理、檢索增強生成與階層記憶，自動將需求轉為完整多視圖架構，實驗顯示其完整度、模組化與可追蹤性均優於MetaGPT。同時，評估代理自動生成的品質報告大幅降低人工驗證工作量，證明此技術可加速企業架構迭代。
深度分析
階層式線上提示突變 (HOPM) 提升電商爭議證據文件生成效能
隨著電商平台爭議處理越來越依賴語言模型，自動生成證據文件的需求提升。研究提出階層式線上提示突變（HOPM）框架，結合提示族與版本路由、守護規則歸因與人工及自動評審雙回饋，動態調整提示。實驗在600筆案例上比較七種變體，完整雙回饋配置使勝率由34.7%提升至45.7%，品質評分亦顯著提升。
深度分析
UR‑JEPA：以均勻可矩形性正則化提升自監督視覺嵌入預測模型
研究背景：自監督的聯合嵌入預測模型易陷入表示崩解。核心技術：UR‑JEPA 以均勻 n‑可矩形性測度，透過高斯核平滑的 Carleson 方程與 Jones β 數字，取代 LeJEPA 的等向高斯正則化。結果顯示在 ImageNet‑10 上提升 0.83 個百分點，且種子變異降低約三成。
深度分析
CEAR：透過 VGA、DTS 與噪聲 logits 強化集合模型的可驗證安全性
對抗性擾動嚴重威脅深度神經網路安全，研究者提出 CEAR 結合可變高斯增強、溫度蒸餾與噪聲 logits 的集合防禦，透過兩種投票機制提升認證精度與半徑，實驗顯示在 MNIST、CIFAR‑10 與 TinyImageNet 上相較基線有更高的認證準確率與抗轉移性並縮減了對抗樣本的傳遞效應。