TinyBayes
TinyBayes 與 Jacobi 先驗：在邊緣裝置上以 Jacobi‑DMR 實現可解析的可可病害貝式分類
TinyBayes提出一套針對邊緣裝置的作物病害偵測管線，結合YOLOv8‑Nano進行病斑定位、MobileNetV3‑Small抽取特徵，最後以Jacobi先驗導出的閉式貝式分類器（Jacobi‑DMR）完成分類與不確定性估計。
邊緣推論
深度分析
自回歸Transformer解碼器在射頻干擾抑制的邊緣應用：提升戰術無線電FM語音可懂度
在戰術無線電場域面對普遍的OFDM干擾，研究用深度學習同時觀測SOI與混合訊號，採自回歸Transformer解碼器替代WaveNet與傳統匹配濾波；實驗以FM語音遭OFDM干擾為例，在PESQ與STOI等衡量下顯著改善可懂度，且在輕量GPU上達到可接受延遲，具即時部署潛力。
深度分析
毫秒級5G O-RAN時序資料集：評估時間序列基礎模型（TSFM）在高頻網路上的表現
既有時序基礎模型多以秒級取樣為主，本研究提出毫秒解析度的5G無線時序資料集。資料來自真實O-RAN部署，紀錄CQI、MCS、SINR、RSSI與封包等PHY/MAC指標，支援0.1到9.6秒短期預測。基準測試顯示多數TSFM在此高頻分布上零樣本與微調皆表現不佳，突顯預訓練階段應納入高頻資料以提升泛化能力。
深度分析
GUIDE：將能耗感知納入LLM協調器的模型選擇與Pareto最佳化框架
面對LLM協調器僅憑文字說明選模型導致效能與能耗困境,本文提出GUIDE框架,以量化準確度與能耗納入選擇決策,結合實時能耗追蹤與Pareto最佳化,實驗顯示提升準確率並顯著降低能耗與延遲。能耗改善最高54%且選擇延遲由4.51秒降至7.2毫秒
深度分析
人工三分體智慧 (ATI)：感測優先架構提升實體 AI 效能與資源效率
隨著 AI 從資料中心移向機器人與穿戴裝置，感測與推理的協同設計變得關鍵。人工三分體智慧 (ATI) 以感測優先的分層架構，透過腦幹安全控制、 小腦自動校準與大腦推理子系統，實現感測即時調整與雲端推理分離。實驗顯示，ATI 可將辨識正確率提升至 88%，同時降低 43% 的遠端推理呼叫，顯著提升實體 AI 的效能與資源使用。