深度分析
「語法距離」下的視覺自參照測試：ResNet 與 Vision Transformer 的相變行為分析
本研究探討視覺模型在缺乏局部特徵線索時的辨識能力，透過語法距離概念構建閉合方框與單像素破損方框的自參照圖像。實驗顯示，隨著圖像尺度超過臨界點，ResNet與ViT的正確率跌至隨機猜測，僅靠擴大資料或模型規模無法突破此上限。此結果揭示現有架構在全域概念任務上的結構性限制。
深度分析
本研究探討視覺模型在缺乏局部特徵線索時的辨識能力，透過語法距離概念構建閉合方框與單像素破損方框的自參照圖像。實驗顯示，隨著圖像尺度超過臨界點，ResNet與ViT的正確率跌至隨機猜測，僅靠擴大資料或模型規模無法突破此上限。此結果揭示現有架構在全域概念任務上的結構性限制。
深度分析
近年AI在國際數學奧林匹克取得金牌等級表現，但僅限於四大基礎領域。研究團隊推出私有的Riemann-Bench，收錄25題由頂尖數學家設計、需數週才能解出的研究級問題，並採雙盲、從零驗證。測試顯示所有前沿模型在此基準的通過率均低於10%，突顯競賽數學與真實研究推理的巨大落差。