速報
段落級自適應裁剪 (SLAT) 提升大型推理模型的效率與準確度
大型推理模型在鏈式思考（CoT）上雖有突破，但常產生冗長的推理段落，導致計算資源浪費且未提升正確率。研究發現，低邊際效益的高機率段落是低效率的根源，於是提出 Segment-Level Adaptive Trimming（SLAT）框架，利用強化學習在正確度與長度的權衡下，選擇性壓縮冗餘段落。
大型推理模型
深度分析
大型推理模型在VGDL互動遊戲中重現人類學習行為並與fMRI腦部表徵對齊
研究利用同步fMRI與VGDL遊戲資料，比較大型推理模型與深度強化學習在人類遊戲學習與腦部表徵上的表現。結果顯示LRM在行為效率與腦活動預測上均遠超RL基線。模型可直接以提示方式使用，無須針對單一遊戲微調，且在視覺、前額、紋狀體等腦區均提升預測表現。
深度分析
Trust 框架：利用分層有向無環圖與因果互動圖實現去中心化大型推理模型與多代理系統驗證
大型語言模型推進多步驟推理，驗證成瓶頸。Trust框架以分層有向無環圖（HDAG）與因果互動圖（CIG）結合去中心化審計網路，降低單點失效、提升可擴展性與隱私保護，預計重塑高風險AI部署流程。同時引入三層審計者架構，從計算檢查到專家復核全程可追溯。