深度分析
透過張量分解量化大型語言模型多代理系統的不確定性
大型語言模型多代理系統因互動複雜面臨可靠性挑戰。研究提出 MATU 框架，使用張量分解將推理軌跡組成高階張量，分離並量化不確定性來源。實驗顯示其在多任務與拓撲下提供穩健估計，提升系統信賴度。
大型語言模型
大型語言模型
大型語言模型幽默對齊基準：以 Cards Against Humanity 測試結果分析
本研究以《Cards Against Humanity》測試大型語言模型幽默對齊。五種模型在9,894回合中挑選最搞笑回應，均超過隨機基準但與人類偏好差距仍大。模型間共識高於與人類，且受位置與內容偏差影響，顯示幽默判斷可能受結構性因素左右。
生成藝術
SemJudge：結合符號學與 AI 的層級語意圖生成藝術評估框架
研究指出現有生成藝術評估器過度聚焦影像品質，缺乏對象徵與指示意涵的判斷。作者提出SemJudge，利用層級語意圖重建從提示到圖像的意義形成過程，並在細部藝術基準測試中與人工評分高度吻合，顯示生成藝術有望突破表層美感，傳遞更複雜的人類經驗。
深度分析
大型語言模型在自動化決策中的升級行為與鏈式思考微調評估
自動化系統需在執行與升級間抉擇。研究以大型語言模型預測、估計正確機率並比較成本，測試五大領域。結果顯示模型門檻差異大、校準偏差，調整成本與鏈式思考可提升決策穩健性，建議部署前先行評估升級行為。
大型語言模型
遞迴資訊市場：大型語言模型以可遺忘檢視緩解資訊不對稱
資訊市場常因買方無法檢視資訊而產生不對稱。研究以大型語言模型作為遞迴買方，讓其檢視後遺忘資訊，減少此問題。結果顯示此機制可促使資訊依真實價值定價，對 AI 對齊研究具潛在影響。
AI 輔助篩選
TiAb Review Plugin：Chrome 瀏覽器即插即用的 AI 輔助系統性文獻篩選工具
背景：傳統篩選工具需付費或具程式能力。技術：TiAb Review Plugin 以 Chrome 擴充、Google Sheets 與 Gemini API 提供無碼、無伺服器的 AI 篩選，支援手動、LLM 批次與 ML 主動學習。結果：在六組資料集上分類結果與原始相同，召回率達 94%~100%，工作節省最高 87%。
STIndex
STIndex：結合大型語言模型的多維時空資訊抽取系統
研究針對非結構化資料的時空抽取瓶頸，提出 STIndex 系統以大型語言模型進行上下文感知抽取與定位，支援自訂維度與即時視覺化。實驗顯示在公共衛生基準上提升約 4% 的抽取準確度，具備跨領域應用潛力。
深度分析
分布式魯棒令牌優化（DRTO）提升 LLM 在 RLHF 框架下的穩健性與效能
大型語言模型對提示微變易失效。研究以分布式魯棒令牌優化結合 RLHF，透過 f‑散度集合界定最壞獎勵，提升對分布移動的穩健性。實驗在 GSM8K 與 MathQA 上分別提升 9.17% 與 2.49%，顯著增強數學推理一致性。
大型語言模型
QuanBench+：跨框架大型語言模型量子程式碼生成統一基準
研究針對大型語言模型在量子程式碼生成上的表現，推出跨框架基準QuanBench+，涵蓋Qiskit、PennyLane、Cirq等42項任務。測試顯示單次生成最高通過率分別為59.5%、54.8%與42.9%，加入回饋修正後提升至83.3%、76.2%與66.7%。結果顯示多框架量子程式碼生成仍具挑戰。
大型語言模型
大型語言模型寫作輔助對母語語言指紋的影響：ACL 論文實證分析
研究探討LLM時代寫作輔助工具是否削弱母語痕跡，利用半自動框架標記ACL論文並微調分類器偵測語言指紋，結果顯示辨識率持續下降，中文與法文出現異常抵抗，日韓語衰退更快，暗示AI工具可能影響學術語言多樣性。
深度分析
Spatial‑Gym：驗證大型語言模型在 2D 網格空間推理與行動的效能差距
研究針對空間推理與行動之間的差距提出 Spatial‑Gym 測試平台，透過 2D 網格迷宮的逐步決策任務評估模型。實驗比較一次性、步驟式與回溯三種設定下八個模型與人類、隨機、A* 基線的表現。結果顯示即使是最佳模型 GPT‑OSS 120B 只解出 16%，遠低於人類的 98%，且步驟式互動對弱模型有提升，但對強模型有負面影響。
大型語言模型
大型語言模型醫療推理全景調查與 MR-Bench 基準發布
大型語言模型在醫學考試題目上表現亮眼，研究者以認知醫學推理理論將醫療推理劃分為演繹、溯因與歸納三階段，並整理出七條技術路徑。新推出的 MR-Bench 基於真實醫院資料，測試結果顯示模型在臨床決策上的準確度仍有明顯差距。