深度分析
知識圖譜提升 LLM 在工業資產運營的精準度：從 65% 到 99% 的實驗結果
在工業資產管理的海量結構化資料上，研究者將傳統的文件資料庫換成知識圖譜，讓大型語言模型改為生成結構化查詢。此做法將原本65%的任務完成率提升至99%（決策式圖處理）或82%以上（LLM產生Cypher）。此外，擴增40項圖本位測試，於467情境皆保持100%通過。
大型語言模型
深度分析
SlideFormer：單GPU異構協同設計實現高效大型語言模型微調
隨著LLM規模持續擴大，單GPU微調面臨記憶體瓶頸。SlideFormer採用層滑動架構、輕量非同步引擎與異構記憶體管理，將GPU與CPU、NVMe資源協同運作，實現單RTX4090可微調123B以上模型，效能提升1.4至6.3倍，記憶體使用減半，同時支援8倍批次大小與6倍模型規模，且在NVIDIA與AMD GPU上保持超過95%峰值效能。
深度分析
「LLM」透過字串匹配與回溯破解位元操作謎題：降低組合爆炸的全新方法
本研究針對 NVIDIA Nemotron 推理挑戰中的位元操作謎題，提出以字串相似度與結構化回溯取代傳統布林門推導的全新框架，藉由 22 種空間基底與最小位翻轉抽取約束，實現高達 98.6% 的解題正確率，顯示 LLM 在組合爆炸問題上的可行性，並為未來 AI 推理工具鏈提供新方向。
速報
ShopX：以語言模型驅動的原生商品推薦框架
隨著 AI 原生應用的興起，購物體驗正從頁面與資訊流瀏覽轉向以意圖為導向的 LLM 代理人。現有的設計多將大型語言模型包裹在搜尋與推薦管線上，導致語意理解與商品空間執行之間出現斷層。為解決此瓶頸，研究團隊提出 ShopX，將意圖理解、執行規劃與基於語意 ID（SID）的商品操作統一於單一基礎模型。
速報
分類器導向路由架構：降低LLM合規成本與延遲
受規範產業的LLM需同時兼顧合規與成本。研究以編碼分類器先行評估查詢，將含個資的請求路由至本地模型，簡單查詢則使用小型快速模型。測試顯示延遲減少39%、成本降低最高52%，且生成吞吐提升至每秒200字元，分類器準確度99.2%，確保合規部署可行。
速報
新框架減少大型語言模型推理偏見：Fair‑GCG 注入技術發表
近期大型語言模型（LLM）在推理過程中仍會出現偏見，研究團隊發現一種稱為「演繹刻板」的失效模式：模型將族群統計規律套用到個別案例，產生表面合乎邏輯卻具社會偏見的推論。為了引導模型進行公平感知的推理，作者提出「推理時間注入」框架，並開發 Fair‑GCG 系統自動搜尋有效的注入語句。
深度分析
彎曲指導結合模組定位與低秩修復：快速除毒大型語言模型後門的新方法
隨著大型語言模型普及，後門攻擊成為重大威脅。研究提出彎曲指導的模組定位結合低階矩陣修復，只針對關鍵模組去除觸發行為，實驗在Llama‑3.2‑1B‑Instruct上大幅抑制惡意回應且保留正常功能。方法以激活貼補與Fisher/K‑FAC曲率定位高影響模組，再以低秩適配器修復，較CROW表現更佳，預示未來能快速除毒而不損效能。
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。
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。