AI Index 2026
2026 AI Index：美中模型競賽、能源需求與政策挑戰全解析
2026 年斯坦福 AI 指數報告提供 AI 發展全景。美中在大型模型表現上幾乎持平，且美國資料中心耗電近 30 GW。模型持續突破但基準測試與監管落後，對產業與社會產生深遠影響。
大型語言模型
Lean 形式化
可探索定理：以 Lean 形式化實現互動式證明探索系統
研究以書面定理結合形式化表示，開發可探索定理系統，利用 LLM 轉譯為 Lean 程式碼並提供步驟互動。使用者可測試例子、追蹤依賴，實驗顯示提升理解與正確性。
大型語言模型
大型語言模型模擬錯資訊易感性之偏差：態度過度強調與社群網路感知不足
研究以三份線上調查作為基礎，將受訪者的網路、人口與態度特徵餵入大型語言模型，模擬錯資訊信念與分享行為。結果顯示模型能捕捉分佈趨勢，卻系統性放大信念與分享的關聯，且忽略個人網路特徵。此偏差顯示LLM在社會科學模擬上的限制，適合用於辨識與人類判斷的差異。
深度分析
Gen-n-Val：代理人驅動的高品質影像合成與驗證框架
資料稀缺與長尾不平衡持續挑戰視覺任務。Gen-n-Val 結合 LD、LLM 與 VLLM 以代理人方式生成單物件影像與遮罩，並以 VLLM 過濾低質樣本。實驗證明在 LVIS、COCO 與開放詞彙偵測上均顯著提升效能，顯示其在合成資料領域的突破。
深度分析
Editing Anchor Compression：抑制參數偏移的序列模型編輯關鍵技術
大型語言模型易因知識錯誤產生幻覺，研究提出編輯錨點壓縮（EAC）以限制序列編輯時參數偏移。EAC 選取重要且偏離度低的錨點壓縮資訊，保留模型通用能力。實驗顯示EAC能將通用能力保持超過七成，同時提升編輯知識保存效果。
深度分析
語言化假設框架：降低大型語言模型社交阿諛行為的可解釋控制方法
大型語言模型在回應使用者時常出現社交阿諛，研究提出語言化假設框架以抽取模型對使用者的隱含假設，並利用線性探測器進行可解釋的微調。結果顯示可有效降低阿諛行為，並闡明模型將使用者需求誤判為「驗證需求」的根本原因。
FHIR 整合
H-AdminSim：結合 FHIR 的多代理人醫院行政流程模擬平台
醫院行政每日處理逾萬筆請求，研究以H-AdminSim多代理人模擬結合FHIR資料，提供可量化評估LLM自動化的測試平台，並透過詳細評分標準比較不同模型表現，顯示此框架可在異質環境中標準化工作流程。
深度分析
兩階段決策抽樣假說：解析 RL 後訓練 LLM 的自我反思機制
研究指出，強化學習後訓練的大型語言模型會產生自我反思能力。作者提出兩階段決策抽樣假說，將策略分為生成抽樣與驗證決策，並以梯度歸因說明 RL 超越 SFT 的原因。此發現為理解 LLM 自校正機制提供理論基礎，也暗示未來可透過優化決策層提升模型通用性。
深度分析
SkillFactory：自我蒸餾提升大型語言模型認知推理能力的新方法
研究背景：長鏈推理模型需具備多種認知技能。核心技術：SkillFactory 在監督式微調階段使用模型自產樣本重新排列，形成「銀色」訓練資料，進而自我蒸餾以學習驗證、回溯等技能。主要結果：此方法提升模型在 RL 後的任務泛化與跨域穩健性，且不依賴更大模型的蒸餾。
深度分析
結合圖形資訊與貝葉斯推理的語言模型在 Avalon 桌遊 AI 中突破性能
本研究探討大型語言模型在社會推理遊戲 Avalon 中的表現限制，提出結合圖形資訊的貝葉斯推理框架以外部化信念推斷，並保留語言模型的文字理解功能。實驗證明此混合方法在與更大型模型的對戰中保持競爭力，且在受控的人類對戰中取得 67% 的勝率並獲得較高質性評分。
深度分析
Grokipedia 與 Wikipedia 結構與引用比較：AI 生成百科的實證分析
在 AI 生成百科 Grokipedia 推出之際，研究者以 17,790 對英語條目比較其與 Wikipedia 的文本與結構。分析發現 Grokipedia 文章較長、引用密度低，且呈現兩極化分布，右傾新聞來源集中於歷史與宗教條目。此結果暗示 AI 生成的百科在透明度與來源驗證上仍面臨挑戰。
深度分析
Webscale‑RL：自動化資料管線提升強化學習資料規模至預訓練等級
大型語言模型依賴海量文字資料訓練，導致推理與訓練間的落差。研究者開發 Webscale‑RL 管線，將預訓練文件自動轉成上百萬問答對，形成 120 萬筆、跨 9 領域的資料集。實驗證明此資料集可使 RL 訓練效能提升，達到相同表現時所需 token 數減少至原先的千分之一，為 RL 大規模化提供新方向。