深度分析
「原子單元」與壓縮演算：提升大型語言模型的概念層知識表示
本研究提出以原子單元作為智慧壓縮層的理論框架，主張透過可重用的概念性原始結構壓縮資訊。該框架引入壓縮演算，量化表層與原子表示的差異，並提出複合級聯假說，說明抽象層級的壓縮效益會呈乘法增長。實驗顯示，以五欄位原子表示取代自然語句可減少近半的詞彙數，顯示此方法在提升效能與可解釋性上具潛力。
可解釋 AI
深度分析
符號化神經 CPU：量化回寫與定點回放實現可審計 AI 執行環境
本研究提出一種符號化神經CPU，結合可追蹤的指令路徑與八位元量化回寫，讓執行過程可審計。系統在16寬基準上完整重現參考執行，且在量化模擬下仍保留指令軌跡。相較於傳統神經演算法或記憶增強模型，此框架在保留可審計性同時，仍能在相同硬體上完成前向與反向訓練循環。
深度分析
打破黑盒子：SAMPAT 神經網路實現 AI 運算過程的全可解釋性
面對深層學習模型缺乏可解釋性的挑戰，研究人員提出 SAMPAT 三層神經網路架構。該技術利用多變量多項式與解析轉換，將模型輸出轉化為可讀的代數表達式，能證明地近似任何連續函數。實驗顯示 SAMPAT 在多變量函數近似中，僅需傳統網路約八分之一的參數即可達成更佳的 MSE 表現，為科學分析與非線性系統建模提供完全可解釋的替代方案。
深度分析
打破 AI 黑盒子：RashomonLLM 以多樣化解釋集提升預測準確率
針對人工智慧黑盒子難以解釋且準確率與透明度常需權衡的痛點，研究者提出 RashomonLLM 框架。該技術引入羅生門解釋集概念，利用 LLM 代理人工作流透過解釋、預測與反思的循環迭代，將解釋過程與預測性能深度耦合。實驗證明此方法能有效應對數據分佈偏移，且在多項基準測試中顯著提升預測準確率，為可解釋 AI 提供了新路徑。
深度分析
PCML：以機率 PDDL 探索與建構黑盒 AI 能力模型的完整框架
隨著黑盒AI被廣泛用於決策，預測其能力變得關鍵。本研究提出以機率PDDL表示的PCML演算法，透過蒙地卡羅樹搜尋自動生成測試任務並修剪假說空間。實驗證明此方法能高效、準確地學習多種黑盒AI的能力模型，提升安全性與可解釋性。此技術預計將推動AI安全評估標準化，並加速開發具可解釋性的智慧系統。
深度分析
KANLib：模組化、可擴充且高效的 Kolmogorov‑Arnold Network 實作
隨著可解釋性需求提升，Kolmogorov‑Arnold Networks (KAN) 受矚目。研究者推出 KANLib，整合 PyKAN、EfficientKAN、FastKAN 的核心功能，提供模組化、可擴充且效能佳的實作，同時支援 B‑spline 與高斯徑向基函數，驗證在 California Housing 基準上保有預測表現且運算更快。
深度分析
GeometrE：全幾何盒子模型實現可解釋的多跳知識圖譜推理
研究聚焦於知識圖譜多跳推理，提出 GeometrE 以盒子嵌入直接映射邏輯運算，並加入傳遞損失函式。實驗在標準基準上超越現有最先進方法，提升解答正確率與可解釋性，同時省去神經網路學習邏輯層，保留完整幾何可視化。此框架有望推動開源幾何規劃工具生態，並在自駕與機器人導航等實務領域帶來新方向。
深度分析
ThinkDeception：結合強化學習與多模態大型語言模型的可解釋欺騙偵測框架
多模態欺騙偵測缺乏可解釋性。ThinkDeception 以多模態大型語言模型結合階梯式強化學習，建立 Deception-10K 逐步推理資料集，並提出 VAC‑GRPO 以捕捉視聽不一致。實驗證明其在準確度與推理品質上均領先於現有方法，為未來研究提供可解釋的認知框架。
速報
Transformer 內部運作揭秘：研究人員成功提取 RASP 程式碼
研究人員探討 Transformer 模型在處理演算法任務時的運作機制。透過將訓練後的模型重新參數化為 RASP 程式語言並運用因果干預技術，研究團隊成功從模型中提取出簡潔且可解釋的子程式。實驗結果顯示，具備長度泛化能力的模型內部確實實作了簡單的 RASP 程式，此發現為理解模型內部邏輯提供了直接證據。
深度分析
「SENSEI」：結合 PDDL 與 CodeT5+ 的可解釋 AI 輔助長程決策框架
AI輔助常以即時警示修正使用者行為，卻未解決根本誤解。研究提出SENSEI框架，透過結構化知識表示定位使用者的概念缺口，並以最小且可解釋的修正更新其任務知識。實驗顯示在三項長程規劃任務中，SENSEI能零樣本組合泛化，成功修正超過九成的人類誤解，提升未來任務表現。
深度分析
利用強化學習對齊情感推理：ABSA‑R1 提升解釋性與分類效能
情感分析模型常缺乏可解釋性。ABSA‑R1 透過強化學習產生推理文本，並以認知對齊獎勵模型確保推理與標籤一致，同時使用拒絕抽樣聚焦不確定案例。實驗證明此方法提升解釋性與分類效能，對 AI 可解釋性具正向衝擊。
深度分析
跨層轉碼器提升 Vision Transformer 可解釋性與層級貢獻分析
研究聚焦於 Vision Transformer 內部激活的可解釋性，提出跨層轉碼器作為稀疏、深度感知的代理模型，利用編碼‑解碼重建激活並分解最終表徵。實驗證明 CLT 在多資料集上保持高重建忠實度，甚至提升零樣本分類準確率，且層貢獻分數顯示關鍵層對表徵影響顯著。