深度分析
大型語言模型在無來源條件下的從眾修正率：說話者自由基線研究
本研究發現，即使移除說話者，LLM仍有六六點五％的錯誤修正率，遠高於普通重提的十點三％，說明重複答案本身就會驅動模型偏離正確答案，來源標籤僅略增效果。研究在六個開放權重模型與七項問答資料上測試，結果顯示此說話者自由基線在不同題型、改寫與隱藏選項情況下仍保持六十至八十％的高修正率。
大型語言模型
深度分析
MAST 多代理框架結合大型語言模型提升測試維護精準度
隨著程式碼快速演進，測試維護成本高企。研究提出MAST多代理框架，結合靜態、詞彙、語意分析並以LLM融合，提升測試定位精準度。實驗顯示其在21個EricssonJava專案中提升精確率與F1分數，降低誤報。透過後檢查機制過濾偽陽性，雖然召回率略低，仍展現多資訊源融合的效益，提升開發效率。
深度分析
結合大型語言模型與運籌的 AI 購物代理人：三種資訊假設下的最佳購買時機策略
本篇報導探討在電商平台上，AI 代理人如何在有限的購買窗口內，根據價格波動與消費者估值決定「即時購買」或「等待」的最佳時機。研究提出三種資訊假設：已知穩定價格分布的靜態模型、以貝式更新的未知分布模型，以及僅依價格上下界的魯棒模型，分別對應時間門檻、信念門檻與隨機門檻三種購買規則。
速報
結構張力與離線回饋迴路：打造自我調整的大型語言模型元架構
目前的大型語言模型在推論時完全依賴輸入，缺乏內建記憶與自我調整能力。研究提出三項機制：結構張力作為內生損失函數，驅動模型向內部自洽；離線回饋迴路提供沙盒式自我處理循環，讓模型在無外部輸入下維持動態靜止電位；推論時可塑性允許在不改變預訓練權重的前提下重構上下文拓撲，並遵循可審計、可逆與拓撲連續性的治理規範。
深度分析
LBR 框架減輕大型語言模型推薦系統長度偏差，提升公平性與準確性
隨著大型語言模型被廣泛用於推薦系統，文字敘述長短差異導致模型在注意力分配與解碼得分上產生偏頗。研究提出LBR框架，透過長度感知注意力校正與資訊長度正規化，減少長短項目不公平影響。實驗顯示在三個Amazon資料集上NDCG@5提升約16.8%，同時提升公平性。
深度分析
黑箱評估框架驗證大型語言模型自動生成設計結構矩陣的效能與限制
隨著系統複雜度提升，設計結構矩陣（DSM）成為關鍵分析工具。研究提出黑箱評估框架，將LLM自動生成的DSM與人工驗證的真實矩陣比對，結合完整度、正確度、耦合密度與穩定性指標。結果顯示在輸入清晰時模型可產出可接受的DSM，但在語意模糊或提示不佳時仍易產生幻覺與拒絕回應，限制其在MBSE工作流程可靠度。
深度分析
以知識圖譜驅動的槽位對齊：KARMA 與 SPA 在 LLM 偏好優化中的成效
隨著大型語言模型推理需求增長，KARMA 透過知識圖譜產生結構對齊的對比樣本，並以 SPA 在實體槽位層面進行偏好學習，實驗顯示在生醫、化學與計算機領域的推理基準上皆超越傳統序列或標記層級方法。KARMA 枚舉符合模式的圖路，利用重複度作為支持選擇，SPA 亦可選用槽位感知遮蔽注意力提升效能。
深度分析
大型語言模型的領域特定消除：降低網路安全拒絕率的實驗與分析
研究指出安全對齊在大型語言模型中未區分領域，導致網路安全操作受限。作者利用正交投影從模型權重中移除特定拒絕向量，對1兆參數Kimi K2進行領域特定消除。結果顯示網路安全拒絕率從100%降至7%，而其他領域的安全防護仍基本保留。此外，研究發現安全訓練方式與模型架構是影響領域特定消除成效的關鍵因素。
深度分析
利用 MAG 框架從激活幾何提取 LLM 推理特徵：無監督與線性可控
大型語言模型安全性需求提升，研究提出MAG框架在每筆輸入前加固定指令，利用激活幾何差異抽取推理特徵，證實可預測模型判斷並以單向量操控決策，提升資料選擇精度至94.7%Top‑1。MAG可比較八種操作子，發現部分特徵線性表徵強，適用向量導向調整模型行為；在選擇訓練資料時，RFD相似度超傳統激活相似度。
速報
LLM‑PySR：結合大型語言模型與符號回歸的方程式探索新框架
科學方程式發掘需要結合廣泛的領域先驗與嚴謹的數值驗證。傳統符號回歸提供數值基礎，但搜尋空間龐大；而多數語言模型系統直接讓模型產出或挑選公式。研究團隊測試了不同的角色分工，將大型語言模型設定為方程式作者、候選決策者或搜尋控制器，並與端到端語言模型及純數值基線比較。
深度分析
MedCalc‑Pro：結合大型語言模型的醫學多工具與嵌套計算平台
隨著大型語言模型在醫學領域的應用深化，傳統計算基準僅支援單一工具且需明示目標計算器。研究團隊推出MedCalc‑Pro，收錄2268例、77種計算器，涵蓋單、多人與嵌套計算情境，並建構多工具選擇與依賴關係的代理框架。實驗顯示該框架在所有測試任務上均優於現有方法。
深度分析
「Agent-as-a-Judge」多語言本地化對大型語言模型評估排名的影響分析
本研究探討評估語言對Agent-as-a-Judge判斷的影響，將評分提示本地化至英、阿、土、中文、印語，測試六種大型語言模型於55項開發任務。結果顯示，不同語言會改變模型排名，GPT‑4o在英文表現最佳，而Gemini在阿拉伯語與印地語領先，突顯語言是評估的重要變數。