深度分析
CCCE：AI 代理驅動的持續代碼校準引擎與風險自適應門控
企業代碼庫維護難度提升，CCCE 透過雙向知識圖譜遍歷與風險自適應門控自動校準，並以多模型持續學習優化策略，最終縮短平均修復時間並提升追蹤可視性。
知識圖譜
深度分析
圖形與代理式檢索在威脅情報 RAG 系統的系統性評估
在網路安全威脅情報分析中，研究比較向量、圖形、代理式與混合四種 RAG 架構。圖形檢索提升結構化事實查詢表現，混合模式在多跳問題上較向量提升最高 35%。結果顯示結合圖形與文字可顯著改善資訊檢索品質。
知識圖譜
缺口與重疊分析基準套件：驗證知識圖譜在保險合約任務中的就緒度
本研究針對保險合約等政策文件的缺口與重疊分析提出基準測試，提供十份合約、本體與 58 個情境的 SPARQL 查詢，並比較文字大型語言模型與本體驅動管線的表現，證實顯式本體建模提升一致性與診斷能力，為評估知識圖譜品質提供可重複使用的範本。
AI 產物管理
Gypscie：跨平台 AI 產物管理系統的統一視圖與知識圖譜
隨著 AI 模型在各領域的廣泛應用，管理其全生命週期變得愈發複雜。Gypscie 透過知識圖譜與規則查詢語言，提供跨平台的統一產物視圖，並以高階資料流排程模型生命週期活動。實驗結果顯示，該系統能有效優化與排程跨平台資料流，提升 AI 應用開發效率。
深度分析
DRBENCHER：同時測試代理人實體辨識、屬性擷取與多步驟計算的新基準
隨著研究代理人需同時瀏覽網頁與執行計算，現有基準無法全面評估其表現。DRBENCHER 透過四項標準生成跨領域問題，涵蓋實體辨識、屬性擷取與領域計算。實驗顯示最高模型正確率僅 20%，突顯此類任務的挑戰與未來改進空間。
ATR4CH
利用 ATR4CH 框架結合 LLM 與本體工程，將文化遺產文本轉化為知識圖譜
研究人員推出 ATR4CH 框架，將大型語言模型（LLM）與本體工程結合，系統化地將文化遺產文本轉化為知識圖譜。該方法能有效提取過往難以量化之學術爭議與證據，在元數據提取上達到 0.96-0.99 的 F1 分數，並為文化遺產機構提供可複製的結構化知識發現工具。