ELSA
ELSA：基於 near‑SRAM 資料流的 SNN 彈性推論加速架構
研究聚焦脈衝神經網路的時間彈性，提出ELSA以細粒度spine/token流水線實現早期回應；同時採用bundle AER與mini-batch Gustavson-product等硬體優化以降低通訊與記憶體訪問；結果在不降低準確度前提下，實驗顯示ELSA在速度與能效上達到顯著提升。
事件驅動
深度分析
事件驅動步級級聯：降低電腦使用代理人推論成本並提升成功率
隨著電腦使用代理人能直接操作圖形介面推動軟體自動化，每步皆使用大型模型導致成本高。研究提出事件驅動的步級級聯，預設小模型，僅在監測器偵測到卡頓或語意漂移時升級至大型模型。實驗在OSWorld與WebArena顯示，成功率與大型模型相近，同時將大型模型使用率降低逾七成，顯著縮短執行時間與成本。
深度分析
LOM-action：本體驅動的事件模擬提升企業 AI 可審計決策
傳統 LLM 代理缺乏情境模擬，決策常無根據且不可追溯。LOM-action 引入本體驅動的圖形模擬，透過企業本體條件在沙盒中生成情境有效的模擬圖，所有決策均基於此圖並產生審計日志。實驗顯示其準確率 93.82%，F1 98.74%，顯著優於現有基線。