深度分析
MalEval 框架：以四項任務評測 LLM 在 Android 惡意軟體行為稽核的表現
針對 LLM 在惡意軟體行為稽核上的可靠性問題，研究團隊提出 MalEval 評估框架，聚焦三大痛點：真實標註稀缺、良性程式碼干擾、以及輸出無法追溯與驗證。該框架將稽核流程拆解為函式優先排序、證據歸因、行為綜合與樣本判別四項任務，並搭配人工驗證的資料集與領域專用指標。
大型語言模型
深度分析
RAG 知識檢索生成全面解析：從基礎架構到多模態未來
這篇綜述論文從知識驅動的角度全面回顧檢索增強生成（RAG）的發展。文章首先釐清 RAG 的核心元件：檢索機制、生成流程以及兩者間的知識整合。接著提出一套分類法，從基礎的檢索增強模型到整合多模態資料與推理能力的高階架構。文中也詳述常用評估基準與資料集，並探討問答、摘要、資訊檢索等應用場景。
速報
強化學習自動化新突破：AutoRL 讓 AI 不再需要專家手動調參
強化學習（RL）與深度強化學習（DRL）是解決序列決策問題的熱門方法，但模型設計、演算法選擇與超參數調整通常需要專家手動處理，限制了其在組合最佳化等領域的普及。
深度分析
NEMO：以自主編碼代理人與非對稱驗證提升最佳化建模準確率
大型語言模型（LLM）在處理最佳化建模時，常因缺乏執行驗證而產生不可執行的程式碼。NEMO 系統以自主編碼代理人（ACA）為核心，在沙盒環境中執行程式碼，確保生成結果可執行並可自動驗證與修復。其非對稱驗證迴圈讓獨立產生的模擬器與最佳化器互相校驗，搭配最小貝氏風險解碼與自一致性機制，顯著提升魯棒性。
深度分析
AI 自動化研究全面解析：從論文生成到科學誠信的深度路線圖
這篇研究全面回顧了 AI 在學術研究生命週期中的應用，從構想生成、文獻回顧、程式碼與實驗、圖表製作，到論文寫作、同儕審查、答辯與修改，以及成果發表等八個階段。研究發現，AI 在結構化、有明確檢索基礎的工作上表現優異，但對於真正新穎的構想、研究級實驗與科學判斷仍相當脆弱。
深度分析
Arbor 框架：以節點級分解提升大型語言模型在醫療分診中的結構化流程準確率與效率
大型語言模型（LLM）在高風險領域如醫療分診中，常因提示詞過長導致指令遵循能力下降，出現「迷失在訊息中」及上下文視窗溢位等問題。
深度分析
AI 代理人可靠性解密：驗證迴圈、專業模型與框架的貢獻拆解
本研究針對企業級 AI 代理人 Leni 的架構進行深入分析，探討其可靠性來源。研究透過 SpreadsheetBench、BullshitBench v2 及 GAIA 驗證集三大公開基準測試，評估驗證迴圈、專業模型與框架對整體表現的貢獻。
深度分析
LLM 搭配演化演算法自動生成特徵，八個資料集分類準確率全面提升
特徵工程是機器學習的關鍵步驟，但耗費大量人力。研究團隊提出結合大型語言模型與演化演算法的自動化流程，讓 LLaMA 3.1 7B 模型根據既有特徵自動產生新特徵，並以基因演算法篩選。在八個資料集測試中，多數分類準確率獲得提升，且生成的特徵具備可解釋性。
深度分析
ProEvent 評測揭示 LLM 主動代理事件追蹤能力：GPT-5.1 多步驟正確率僅 26.7%
主動代理須預測使用者事件並適時協助，但既有評測缺乏此類任務。ProEvent 首創從即時通訊對話中主動維護行事曆的基準，以客觀正確性指標評估。測試八個模型發現，GPT-5.1 也僅在 26.7% 的情境中正確回應，且對事件取消普遍處理不佳，顯示當前 AI 代理仍有根本局限。
深度分析
Shapley Context Pruning：以合作賽局理論提升 RAG 上下文剪枝效率
RAG 系統面臨長上下文處理瓶頸，現有方法缺乏理論基礎。SCP 以合作賽局觀點，用 Shapley 值計算句子邊際貢獻，搭配 3M 參數的 Deep Sets 網路與蒙特卡羅採樣，實現可擴展的上下文排序與剪枝。實驗在多跳推理等任務上表現優異，並提供可解釋性。
深度分析
多智能體數學推理：評審者精度高不等於採納率高，研究揭示批評轉化才是關鍵
一項針對4,181道奧數題的研究發現，多智能體系統中專門評審者的錯誤檢測精度雖高（0.861 vs 0.644），但批評被後續答案採納的比例卻遠低於廣播式討論（0.336 vs 0.935），導致最終解題率反而落後。研究指出，評審者精度與批評採納是兩個可獨立測量的維度，設計時須同時關注。
速報
多語言提示影響大型語言模型程式碼生成：GPT‑4o mini、DeepSeek、Claude測試
研究探討不同語言提示對大型語言模型程式碼生成的影響，將 460 個 Python 與 Java 任務的英文提示翻譯成四種語言，測試 GPT‑4o mini、DeepSeek、Claude。結果顯示英文提示未必最佳，語言影響視程式語言與模型而定，生成程式碼常混用英語與提示語言。