深度分析
Gemini 2.5 驅動的多代理審議與缺席式推理：應用於 DMRS 防衛機制分級
研究以Gemini2.5多代理審議委員會為核心，將防衛機制視為「缺席訊號」的情感－認知整合光譜，結合臨床規則與微調覆寫策略，成功降低多數類別偏誤並將宏平均F1提升至0.406，卻暴露L7吸引器現象與少數類別誤判風險。並討論實務可行的分層分類與錯誤記錄因應。
深度分析
研究以Gemini2.5多代理審議委員會為核心，將防衛機制視為「缺席訊號」的情感－認知整合光譜，結合臨床規則與微調覆寫策略，成功降低多數類別偏誤並將宏平均F1提升至0.406，卻暴露L7吸引器現象與少數類別誤判風險。並討論實務可行的分層分類與錯誤記錄因應。
深度分析
研究以真實STEM課程逾百筆提問為樣本，評估多代理教學（3專家並行＋合成器）在Vertex AI三種吞吐層級的延遲與成本。結果發現Priority PayGo於整體併發範圍維持穩定低延遲，Provisioned低併發最短但於高併發出現飽和，建議依流量可預測性選擇層級。