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。
大型語言模型
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。
深度分析
可證明的後訓練量化：OPTQ 與 Qronos 的誤差上界理論分析
後訓練量化是降低深度模型資源需求的關鍵技術。研究提出 OPTQ 與 Qronos 的誤差上界，說明迭代量化過程與正則化參數的影響，並證實特徵排序與參數選取的合理性，為實務應用提供理論依據。
深度分析
NeuronLens：以激活範圍提升大型語言模型概念解釋與精準干預
大型語言模型的多義性削弱了單一神經元的概念歸屬。研究發現神經元在不同概念下的激活幅度形成低重疊的高斯分佈。基於此提出 NeuronLens，以激活範圍進行解釋與干預，實驗證明可更精準控制概念且副作用更小。
深度分析
Neuralink 轉向語音腦機介面：從光標控制到語音復原的技術迭代
Neuralink 受腦機介面領域競爭刺激，將焦點從腦控光標轉向語音復原。公司於2025年在阿聯酋與美國啟動臨床試驗，使用相同硬體將思維轉為語音。此轉向顯示語音BCI在臨床與商業前景上可能優於傳統運動型介面。
深度分析
前景理論於大型語言模型的決策穩定性：認知不確定性下的實驗分析
研究背景指出，前景理論常用於模擬人類在不確定情境下的決策，但其在大型語言模型上的適用性尚未明確。作者先以經濟問題估測模型的 PT 參數，接著將認知不確定性標記的機率映射注入提示詞，觀察參數是否穩定。結果發現，模型間 PT 參數差異顯著，且在語意不確定性干擾下不穩定，提醒實務上需慎用 PT 框架。
深度分析
NLCO 基準：評測大型語言模型在組合最佳化問題上的推理能力
隨著大型語言模型在數學推理上展露實力，組合最佳化仍是未被充分測試的領域。研究者推出 NLCO 基準，使用自然語言描述的 43 種組合問題，直接讓模型產出離散解而不需程式碼或外部求解器。實驗發現模型在小規模實例上可保持可行性與解品質，但隨規模擁大效能下降，圖結構與瓶頸目標問題尤為挑戰。